StreamDiffusion:实时互动生成图像的管道级解决方案

RayRay
StreamDiffusion流批处理无残差分类器指导随机相似性过滤器RCFG热门

项目简介

StreamDiffusion 是一种新型实时扩散管道,用于交互式图像生成,能够改善直播流和类似场景的性能。它用更快的批处理过程替代了传统的顺序去噪,引入了并行输入输出队列以实现更平稳的操作。该管道还采用了一种新颖的残差无分类引导方法,减少了去噪步骤并提高了速度。此外,它还集成了一种随机相似性滤波器,以提高功率效率。

总体来说,StreamDiffusion 实现了高达 1.5 倍的处理速度加快,以及在采用 RCFG(残差无分类引导)情况下高达 2.05 倍的速度提升,在 RTX4090 GPU 上可达到 91.07fps。它还显著降低了能源消耗,使其成为实时图像生成的更高效解决方案。

项目简介图片

主要特征

  1. 流批处理 通过高效的批处理操作简化数据处理。

  2. 无残差分类器指导 改进的引导机制可最大限度地减少计算冗余。

  3. 随机相似性过滤器 通过先进的过滤技术提高GPU利用效率。

  4. IO队列 有效管理输入和输出操作,以实现更顺畅的执行。

  5. KV-Cache 的预计算 优化缓存策略以加速处理。

  6. 模型加速工具 利用各种工具进行模型优化和性能提升。

StreamDiffusion 管道

流批处理的概念。在这个方法中,不会等待单个图像完全去噪后再处理下一个输入图像,而是在每个去噪步骤后接受下一个输入图像。这样就创建了一个去噪批次,其中每个图像的去噪步骤是交错的。通过将这些交错的去噪步骤串联成一个批次,我们可以利用 U-Net 进行批处理,有效地处理连续输入。在时间步长 t 编码的输入图像在时间步长 t + n 生成并解码,其中 n 是去噪步骤的数量。

StreamDiffusion 管道图片

批量处理去噪步骤

虚拟残差噪声向量:橙色向量表示从 PF ODE 轨迹出发并指向原始输入潜变量 Xo 的虚拟残差噪声。

传统扩散模型依赖于顺序去噪步骤,每增加一步,处理时间线性增加,特别是在 U-Net 框架中。然而,更高保真度的图像需要更多的去噪步骤,导致更高的延迟。

Stream Batch 通过将顺序去噪重构为批处理过程来解决这个问题。每个批次对应一定数量的去噪步骤,允许批次中的每个元素在单次 U-Net 传递中完成去噪序列中的一步。这种方法以更流畅的方式将特定时间步长的输入图像转换为未来时间步长的图像到图像结果。

这种方法显著减少了对多次 U-Net 推理的需求,并避免了处理时间随步骤数线性增加的问题。关键的权衡从处理时间与生成质量转变为 VRAM 容量与生成质量。有足够的 VRAM,可以在单个 U-Net 处理周期内生成高质量图像,有效缓解了由增加去噪步骤引起的延迟问题。

批量处理去噪步骤图片

残差无分类引导(RCFG)

传统的无分类引导(CFG)通过调整条件项的影响来改善图像生成,但它需要对每次推理进行多次计算成本高昂的 U-Net 模型传递。RCFG 通过引入虚拟残差噪声的概念来解决这个问题,该噪声用于从生成过程中的给定点预测原始输入图像的潜在表示。这种方法允许有效的图像生成,根据引导比例偏离原始图像,无需额外的 U-Net 计算。这个过程被称为自负面 RCFG。

此外,RCFG 还可以用于偏离任何负面条件,只需在第一步去噪时计算一次负面条件的残差噪声,并在整个过程中使用这种噪声(一次性负面 RCFG)。这种方法显著减少了计算负担,与传统 CFG 所需的 2n 次计算相比,自负面和一次性负面 RCFG 分别只需要 n 或 n+1 次 U-Net 计算。这使 RCFG 在保持或提升生成图像的质量的同时,更加高效。

输入输出队列

输入输出队列图片

输入输出队列:将输入图像转换为管道可以管理的张量数据格式的过程,反之亦然,将解码的张量转换回输出图像需要额外的处理时间,并非微不足道。为了避免将这些图像处理时间添加到瓶颈过程,即神经网络推理过程中,我们将图像预处理和后处理分离到不同的线程中,允许并行处理。此外,通过使用输入张量队列,我们可以应对由于设备故障或通信错误而导致的输入图像暂时中断,从而实现平稳流媒体。

高速图像生成系统通过将不需要神经网络处理的任务(如图像的预处理和后处理)转移到主管道之外并行处理来进行优化。输入图像经过缩放、张量转换和标准化等操作。为了协调人类输入和模型吞吐量的不同处理速度,作者实现了一个输入输出队列系统。这些队列处理扩散模型的输入张量,然后通过 VAE 编码器进行图像生成。VAE 解码器的输出张量进入输出队列进行后处理和格式转换,然后发送到渲染客户端。这种策略提高了系统效率,加快了图像生成速度。

模型加速和微型自动编码器

模型加速和微型自动编码器图片

GPU 使用率对比(静态场景下)。(GPU:RTX3060,帧数:20)蓝线代表开启随机相似性滤波(SSF)时的 GPU 使用率,橘黄线表示未使用 SSF 时的 GPU 使用率,红线表示基于输入帧间余弦相似度计算的跳过概率。此外,图表顶部显示了与相同时间戳对应的输入图像。在这种情况下,输入图像中的角色仅在眨眼。因此,这项分析比较了静态场景下的 GPU 使用率。

U-Net 和 VAE 引擎是使用 TensorRT 构建的。为了进一步优化速度,作者使用了静态批次大小和固定输入尺寸,这优化了针对特定输入大小的计算图和内存分配,从而实现了更快的处理时间。然而,这种方法的灵活性较低,需要进行批次大小和输入大小的静态调整。

结论

通过在扩散模型的基础上引入 Stream Batch、RCFG 和 SSF 等技术,StreamDiffusion 管道实现了显著的性能提升。实验结果表明,与传统 CFG 相比,RCFG 使处理速度提高了 1.5 倍。StreamDiffusion 在处理相同图像数量时,在 RTX4090 上实现了 91.07fps 的速度,能源效率也得到了显著提升。尽管该管道需要更多的 VRAM,但它的整体性能提升和能效优化使其成为实时图像生成领域的创新解决方案。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多