懂AI

Phased Consistency Model: 一种强大的图像生成加速方法

RayRay
一致性模型图像生成深度学习文本条件PCMGithub开源项目

Phased Consistency Model:加速扩散模型的图像生成

近年来,扩散模型在高质量图像生成领域取得了巨大的成功。然而,扩散模型通常需要数百次迭代才能生成高质量图像,这限制了其在实际应用中的使用。为了加速扩散模型的采样过程,研究人员提出了一致性模型(Consistency Model, CM)。CM可以在很少的步骤内生成高保真度的图像,但其在高分辨率、文本条件图像生成任务中的应用效果仍不理想。

为了解决这个问题,来自香港中文大学等机构的研究人员提出了一种新的方法 - Phased Consistency Model (PCM)。PCM是对原始一致性模型的改进和扩展,旨在实现高分辨率、文本条件的图像快速生成。

PCM的核心思想

PCM的核心思想是将整个ODE轨迹分成多个子轨迹。这种设计有效地解决了之前方法存在的三个主要局限性:

  1. 缺乏灵活性:之前的方法在选择CFG(条件引导因子)时缺乏灵活性,对负面提示词不敏感。
  2. 结果不一致:在不同推理步骤下,生成结果不一致。步骤太多时会出现模糊(随机采样误差),步骤太少时效果又不理想。
  3. 低步骤效果差:在低步骤(1-4步)生成时,结果质量较差。

通过将ODE轨迹分阶段处理,PCM很好地克服了这些局限性,在各种生成设置下都能取得优异的表现。

PCM与其他方法的对比

PCM的优势

相比之前的方法,PCM具有以下优势:

  1. 更好的生成质量:PCM在1-16步的图像生成中都能取得优异的表现,生成质量明显优于之前的方法。

  2. 更高的灵活性:PCM允许更灵活地选择CFG因子,对正面和负面提示词都很敏感。

  3. 结果一致性:在不同的推理步骤下,PCM能产生一致的高质量结果。

  4. 训练效率高:相比其他方法(如CTM),PCM的训练目标数量更少,训练效率更高。

  5. 广泛适用性:PCM不仅适用于图像生成,还可以应用于视频生成等任务。

PCM的实验结果

研究人员在多个数据集上对PCM进行了广泛的实验。结果表明:

  • 在CIFAR数据集上,PCM的4步无条件生成模型达到了2.03的FID分数。8步模型更是达到了1.94的FID和10.05的Inception Score。

  • 在ImageNet64数据集上,PCM的4步条件生成模型仅用0.1%的训练预算就达到了3.0的FID,远优于官方CM模型4.3的FID。

  • 在高分辨率文本到图像生成任务中,PCM显著优于当前开源的快速生成模型,包括基于GAN的SDXL-Turbo、SD-Turbo、SDXL-Lightning,基于修正流的InstaFlow,以及基于CM的LCM、SimpleCTM等方法。

PCM生成样例

PCM的应用前景

PCM不仅在图像生成领域表现出色,研究人员还将其应用到了视频生成任务中。通过PCM,研究人员训练出了目前最先进的少步文本到视频生成器。这表明PCM具有广泛的应用前景,有望在更多生成任务中发挥重要作用。

结论

Phased Consistency Model (PCM)是一种强大的图像生成加速方法,它通过巧妙的设计解决了之前方法存在的局限性,在保持高质量生成效果的同时,大大加速了扩散模型的采样过程。PCM的出现为高质量、高效率的图像和视频生成开辟了新的可能性,有望在计算机视觉、多媒体处理等多个领域产生重要影响。

随着PCM的进一步发展和优化,我们可以期待在不久的将来,基于PCM的技术将被广泛应用于各种实际场景,为创意产业、娱乐媒体、数字艺术等领域带来革命性的变革。

参考资料

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多