【论文】2307.SDXL:Improving Latent Diffusion Models for High-Resolution Image Synthesis (已开源，有UI)

论文：2307.Improving Latent Diffusion Models for High-Resolution Image Synthesis（改进的用于高分辨图像合成的隐变量扩模模型）

相关链接与解读

Code: https://github.com/Stability-AI/generative-models
官网模型说明: https://huggingface.co/stabilityai/
【SDXL0.9本地安装部署教程】 https://www.bilibili.com/video/BV1oV4y18791
【模型下载】https://pan.baidu.com/s/1wuOibq3dYW_e_LrIgnr2Jg?pwd=0710 提取码：0710

一、概述

SDXL， DeepFloyd IF, DALLE-2, Bing, Midjourney v5.2

从左到右每一列对应一个生成模型或软件

1.1 改善性能

1.SDXL在用户偏好效果方面似乎大大**超过了v1.5和v2.1，甚至与midjourney v5.1并列！！
2.SDXL很大(2.6B Unet 参) --> 比以前的SD更慢+更多的VRAM
3.两个CLIP txt-encoders，而不是一个调节向量串联，拥有更好的文本图片对齐（更听话）
4.略有改进的VAE
5.处理低分辨率训练图像（以图像尺寸为条件的模型）、随机裁剪（以裁剪位置为条件的模型）和非方形图像（以长宽比为条件的模型）的更好方法
6.SDXL有一个可选的细化阶段，专门对高质量图像的少量噪声（当已经有很多信息时）进行去噪训练。
from:B站青龙圣者

1.2 具体开源模型

SD-XL 0.9-base：基础模型在具有1024x1024 分辨率的图像上，以多种宽高比进行训练。基础模型使用OpenCLIP-ViT/G和CLIP-ViT/L进行文本编码，而改进模型仅使用OpenCLIP模型。

SD-XL 0.9-refiner (細化器模型)：改进模型经过训练，用于去噪高质量数据中的小噪声水平，因此不适用于作为文本到图像模型；相反，它只应用于图像到图像的模型。

二、原文简介

2.1 摘要

提出了SDXL （Stable Diffusion 的 XL码），一种用于文本到图像合成（text-to-image synthesis.）的潜在扩散模型(a latent diffusion model)。
与之前的稳定扩散版本相比，SDXL利用了一个三倍大的UNet骨干网络（s a three times larger UNet backbone）,模型参数的增加主要来自于：

1. 更多的注意力块（attention blocks)
2. 使用了第二个文本编码器(a second text encoder.)，获得一个更大的交叉注意力上下文( cross-attention ：指在多个输入之间共享注意力机制的一种技术)，
3. 我们设计了多种新颖的条件方案（conditioning schemes），并在多个宽高比(aspect ratios) 上训练SDXL。
4. 我们还引入了一种改进模型（a refinement model），用于通过事后（post-hoc）图像到图像技术提高SDXL生成样本的视觉保真度。

证明了与之前的稳定扩散版本相比，SDXL显示出了显著改进的性能（drastically improved performance），并取得了与最先进的黑盒图像生成器相媲美的结果。为了推动开放研究并促进大型模型训练和评估的透明度，我们提供了代码和模型权重的访问权限。

2.2 模型结构

我们使用SDXL生成大小为128×128的初始潜变量。然后，我们利用专门的高分辨率改进模型，并在第一步生成的潜变量上应用SDEdit [28]，使用相同的提示信息。SDXL和改进模型使用相同的自编码器。

2108.SDEdit: Guided Image Synthesis and Editing with Stochastic Differential Equations： 使用随机微分方程进行引导式图像合成和编辑。

2.3 SDXL 与 SD1.5 / SD2.0的比较

模型组件和参数

相同提示的效果

三、未来的工作 （待优化的地方）

• 单阶段（Single stage）：目前，我们使用两阶段的方法从SDXL生成最佳样本，并使用额外的改进模型。这导致需要将两个大型模型加载到内存中，限制了可访问性和采样速度。未来的工作应该探索提供同等或更好质量的单阶段方法的方式。

• 文本合成（Text synthesis）：尽管规模和更大的文本编码器（OpenCLIP ViT-bigG [19]）有助于改善文本渲染能力，但结合字节级标记器[52, 27]或将模型扩展到更大规模[53, 40]可能进一步改善文本合成。

• 架构（Architecture）：在探索阶段，我们简要尝试了基于Transformer的架构，如UViT [16]和DiT [33]，但未发现立即的好处。然而，我们保持乐观，认为经过仔细的超参数研究将最终实现对更大规模以Transformer为主导的架构的扩展。

•蒸馏（Distillation）：尽管我们对原始的稳定扩散模型进行了显著的改进，但代价是推理成本的增加（包括VRAM和采样速度）。因此，未来的工作将专注于减少推理所需的计算量，并提高采样速度，例如通过引导式[29]、知识式[6, 22, 24]和渐进蒸馏[41, 2, 29]等方法。

• 我们的模型是根据 2006.Denoising Diffusion Probabilistic Models 中的离散时间公式进行训练的，并需要偏移噪声以获得美观的结果。Karras等人的EDM框架**2206.Elucidating the Design Space of Diffusion BasedGenerative Models**是未来模型训练的一个有希望的候选方案，因为它在连续时间下的表述允许增加采样的灵活性，并且不需要噪声调度校正。

重要英文解释：

Two-stage approach: 两阶段方法
Text synthesis: 文本合成
Architecture: 架构
Distillation: 蒸馏
Offset-noise: 偏移噪声
EDM-framework: EDM框架（等时离散化的公式）
Continuous time: 连续时间
Noise-schedule corrections: 噪声调度校正