蘋果的一項最新研究，大幅提高了擴散模型在高分辨率圖像上性能。

利用這種方法，同樣分辨率的圖像，訓練步數(shù)減少了超過七成。

在1024×1024的分辨率下，圖片畫質(zhì)直接拉滿，細節(jié)都清晰可見。

蘋果把這項成果命名為MDM，DM就是擴散模型（Diffusion Model）的縮寫，而第一個M則代表了套娃（Matryoshka）。

就像真的套娃一樣，MDM在高分辨率過程中嵌套了低分辨率過程，而且是多層嵌套。

高低分辨率擴散過程同時進行，極大降低了傳統(tǒng)擴散模型在高分辨率過程中的資源消耗。

對于256×256分辨率的圖像，在批大?。╞atch size）為1024的環(huán)境下，傳統(tǒng)擴散模型需要訓練150萬步，而MDM僅需39萬，減少了超七成。

另外，MDM采用了端到端訓練，不依賴特定數(shù)據(jù)集和預訓練模型，在提速的同時依然保證了生成質(zhì)量，而且使用靈活。

不僅可以畫出高分辨率的圖像，還能合成16×2562的視頻。

有網(wǎng)友評論到，蘋果終于把文本連接到圖像中了。

那么，MDM的“套娃”技術(shù)，具體是怎么做的呢？

整體與漸進相結(jié)合

在開始訓練之前，需要將數(shù)據(jù)進行預處理，高分辨率的圖像會用一定算法重新采樣，得到不同分辨率的版本。

然后就是利用這些不同分辨率的數(shù)據(jù)進行聯(lián)合UNet建模，小UNet處理低分辨率，并嵌套進處理高分辨率的大UNet。

通過跨分辨率的連接，不同大小的UNet之間可以共用特征和參數(shù)。

MDM的訓練則是一個循序漸進的過程。

雖然建模是聯(lián)合進行的，但訓練過程并不會一開始就針對高分辨率進行，而是從低分辨率開始逐步擴大。

這樣做可以避免龐大的運算量，還可以讓低分辨率UNet的預訓練可以加速高分辨率訓練過程。

訓練過程中會逐步將更高分辨率的訓練數(shù)據(jù)加入總體過程中，讓模型適應(yīng)漸進增長的分辨率，平滑過渡到最終的高分辨率過程。

不過從整體上看，在高分辨率過程逐步加入之后，MDM的訓練依舊是端到端的聯(lián)合過程。

在不同分辨率的聯(lián)合訓練當中，多個分辨率上的損失函數(shù)一起參與參數(shù)更新，避免了多階段訓練帶來的誤差累積。

每個分辨率都有對應(yīng)的數(shù)據(jù)項的重建損失，不同分辨率的損失被加權(quán)合并，其中為保證生成質(zhì)量，低分辨率損失權(quán)重較大。

在推理階段，MDM采用的同樣是并行與漸進相結(jié)合的策略。

此外，MDM利還采用了預訓練的圖像分類模型（CFG）來引導生成樣本向更合理的方向優(yōu)化，并為低分辨率的樣本添加噪聲,使其更貼近高分辨率樣本的分布。

那么，MDM的效果究竟如何呢？

更少參數(shù)匹敵SOTA

圖像方面，在ImageNet和CC12M數(shù)據(jù)集上，MDM的FID（數(shù)值越低效果越好）和CLIP表現(xiàn)都顯著優(yōu)于普通擴散模型。

其中FID用于評價圖像本身的質(zhì)量，CLIP則說明了圖像和文本指令之間的匹配程度。

和DALL E、IMAGEN等SOTA模型相比，MDM的表現(xiàn)也很接近，但MDM的訓練參數(shù)遠少于這些模型。

不僅是優(yōu)于普通擴散模型，MDM的表現(xiàn)也超過了其他級聯(lián)擴散模型。

消融實驗結(jié)果表明，低分辨率訓練的步數(shù)越多，MDM效果增強就越明顯；另一方面，嵌套層級越多，取得相同的CLIP得分需要的訓練步數(shù)就越少。

而關(guān)于CFG參數(shù)的選擇，則是一個多次測試后再FID和CLIP之間權(quán)衡的結(jié)果（CLIP得分高相對于CFG強度增大）。