Würstchen是一种新型的文本到图像合成架构,结合了高性能与前所未有的成本效益。通过在高度压缩的潜在空间中进行文本条件扩散,该模型显著降低了计算需求,同时保持甚至提升了生成图像的质量。Würstchen的训练仅需24,602 A100-GPU小时,相比之下Stable Diffusion 2.1需要200,000 GPU小时,同时推理速度提高了一倍以上。