博客源地址：Stable Diffusion 3: Research Paper — Stability AI
论文源地址：https://arxiv.org/pdf/2403.03206.pdf
Stability.AI 官方发布了Stable diffusion 3.0的论文研究，不过目前大家都沉浸在SORA带来的震撼中，所以这个水花貌似也就被忽略了。但，毕竟绘画领域里边最大的开源模型，还是多少可以关注一下。
🎇首先看一下模型表现
这张图直接把我看懵了，为何在这张图中，SDXL 和SDXL turbo都这么高的胜率，而且超过MJ6.0,后来仔细理解了下blog的说辞，才明白这个是以SD3作为基线，赢过这些模型的比例，三个维度分别是美学评分，提示词跟随程度 和 文字识别“排版”能力。
基于这张图，大概可以看出，在文字识别能力方面，SD3的胜率整体非常高，而在美学评分方面，略微比MJ6和DALLE3强一点。
但问题是，个人体验的MJ6和DALLE3根本不在一个档次上，MJ6还是强很多的。并且基于官方已经发布的模型生成的图片来看，并没有觉得生成质量能比MJ6能强，所以这个还是等模型实际发布之后再看吧，毕竟这种评分都是按照“人类反馈评估”来得出的，并非是一个绝对客观的数值。
官方对SD3的评价说法是：根据我们的测试结果，我们发现 Stable Diffusion 3 在上述所有领域均等于或优于当前最先进的文本到图像生成系统。
emm... 他开心就好。
官方还提到一点，在硬件测试过程中，官方最大的8B参数SD3模型“适合”RTX4090的24G显存，并且生成一张1024x1024的图像，需要50次迭代和34秒的时间，emm，可以说“普及”基本就是很远的事情了。
不过官方也提到，他们不仅仅只有一个8B的版本，从800m到8B有一大堆的版本，“以进一步消除硬件障碍”，到时候得看下缩水的版本是不是会降低太多，至少从cascade的经验来看，缩水的模型，生成的质量是直线下降的，这一点也需要等官方实际发布之后再体验了。
🧨架构细节
新版本的架构被称为MMDiT，Dit也就是Diffusion Transformer，融合了Diffusion和Transformer两种架构，如果没记错的的话，sora也是这个大的架构，当然了细节肯定有很多区别就是了。
官方这次考虑了文本和图像两种“文本生成图像”的模式。这次官方使用了三种不同的文本嵌入模型（两个clip模型和t5模型）来编码文本。
架构概念图如下：
我们改进的多模态扩散变压器块的概念可视化：MMDiT。
官方认为，新的架构可以让“信息”在图像和文本之间更好的流动，这样生成的图像会更理解提示词，包括提示词中的“文本排版”内容。并且官方认为这种架构还可以轻松扩展到视频等多种模式。
（我个人认为Sora的spatial time pathes那种方式会更适合生成视频模型，也可以更好的理解物理世界，不知道sd3的架构中是否也使用了类似的技术。）
得益于 Stable Diffusion 3 改进的提示跟随功能，新的模型能够创建专注于各种不同主题和质量的图像，同时对图像本身的风格保持高度灵活性。
更多官方示例图像：
（以下两个章节直接原博客复制翻译，非技术的朋友可以暂时忽略。）
通过重新加权改善整流流量
Stable Diffusion 3 采用整流流 (RF) 公式（Liu et al., 2022；Albergo & Vanden-Eijnden,2022；Lipman et al., 2023），其中数据和噪声在训练期间在线性轨迹上连接。这会产生更直的推理路径，从而允许用更少的步骤进行采样。此外，我们在训练过程中引入了一种新颖的轨迹采样计划。这个时间表给予轨迹的中间部分更多的权重，因为我们假设这些部分会导致更具挑战性的预测任务。我们使用多个数据集、指标和采样器设置进行比较，针对 60 个其他扩散轨迹（例如LDM、EDM和ADM ）测试我们的方法。结果表明，虽然以前的 RF 配方在少步采样方案中表现出改进的性能，但它们的相对性能随着步数的增加而下降。相比之下，我们重新加权的 RF 变体不断提高性能。
缩放整流流量变压器模型
我们使用重新加权的整流流公式和 MMDiT 主干对文本到图像的合成进行了缩放研究。我们训练的模型范围从 15 个具有 450M 个参数的块到 38 个具有 8B 个参数的块，并观察到验证损失随着模型大小和训练步骤的函数而平滑下降（顶行）。为了测试这是否转化为模型输出的有意义的改进，我们还评估自动图像对齐指标（GenEval）以及人类偏好分数（ELO）（底行）。我们的结果表明这些指标与验证损失之间存在很强的相关性，表明后者是整体模型性能的有力预测因子。此外，扩展趋势没有显示出饱和的迹象，这让我们乐观地认为未来可以继续提高模型的性能。
灵活的文本编码器
正如前文提到的，SD3用到三种不同的文本嵌入模型（两个clip模型和t5模型）来编码文本。这里测试了下，如果删掉其中一个比较大的模型4.7B参数的T5文本编码器会如何。
发现删掉之后，内存需求可以显著降低，（emm...好像很合理，毕竟这个模型有4.5B的参数），同时性能损失很小。
进一步测试下，发现删除这个文本编码器，对于视觉美感的影响几乎没有，删除前后胜率五五开。但是会导致“提示词相关性”下降，删除之后胜率降低到46%。
所以最终官方的建议是保留T5编码器，这样才能体验满血版的SD3，而且官方还发现，如果删除了T5这个模型，文本版式的生成性能下降会更大，胜率会降低到38%。
也就是说，删除T5编码器后，基准50%来看（也就是五五开），美学、提示词遵循程度、文字排版会降低到：50%，46%，38%。换句话说，如果生成的画面中没有文本，而你的硬件条件又比较差的话，那么删掉T5问题不大，但是如果你要生成文本相关的画面（比如说电影海报），那么还是升级硬件吧。
删除前后效果对比：
当渲染涉及许多细节或大量书面文本的非常复杂的提示时，
删除 T5 进行推理只会导致性能显着下降。
上图显示了每个示例的三个随机样本。
以上就是官方博客的内容和我个人的理解，欢迎大家多多交流。
这里是聚梦小课堂，如果觉得内容有用，还请帮忙点个赞哈。
