视频链接：扩散模型论文概述（三）：Stability AI系列工作_哔哩哔哩_bilibili

本期视频讲的是Stability AI在图像生成的工作。

 同样，第一张图片是神作，总结的太好了！

介绍Stable Diffusion之前，先来看一个重要的铺垫工作，VQGAN可以看作是SD的雏形。在这个架构中，可以看到对图像先进行压缩，然后在隐空间里进行建模的思想。

这张幻灯片展示了VQGAN的生成结果，可以看到其已经具备条件控制生成和修复的能力。

而Latent Diffusion Model也就是所谓的SD模型，将VQGAN中基于Transformer序列建模的部分替换成去噪扩散，利用交叉注意力机制将条件约束引入扩散过程。LDM中继承了VQGAN中对图像进行压缩的思想，相较于DDPM，极大的减少了计算量。

LDM在不同条件下可以生成多种输出。例如，文本条件控制、布局图控制以及修复功能。这些能力也展示了模型的多样性与强大性能。

这里可以看到语义分割图的应用效果。该模型还具有超分辨率生成的能力，输出结果可以展示更高的细节和真实感。

这里展示了LDM在ImageNet上类别控制的生成结果。值得注意的是，以上所有模型都是使用相同的LDM架构进行训练的，只需要调整LDM中的条件控制编码器，就能接受各种不同类型的条件输入。

SDXL提出类似Google CDM的架构，将生成过程分为Base和Refiner两个阶段。在Base阶段生成初步的隐变量表征，然后在Refiner阶段进一步优化，最终生成高分辨率的图像。同时，相较于SD，它额外使用了一个更大的文本编码器（OpenCLIP ViT-bigG），用于更好的语义理解。

SDXL重点关注了训练数据本身存在问题，这张幻灯片展示了数据集中高度和宽度分布。我们发现大量的训练数据小于256尺寸，同时长宽比并不等于1。如果直接对小于256尺寸的图像进行筛除，那么会有39%的数据会被丢弃。

为了解决训练图像尺寸的问题，SDXL提出了尺寸和裁剪微条件控制处理算法，先讨论尺寸控制。右图展示了不同尺寸控制条件下生成的图像对比效果，可以看到引入尺寸作为输入的控制条件，随着尺寸大小增加，图像的质量显著提升。

这里展示的是SDXL在裁剪条件下的效果。可以看到左侧SD 1.5和SD 2.1生成的图像中，猫的头部被裁剪了。一个可能的原因是使用了Pytorch框架中进行提量预训练时，为了保持tensor形状一致而对图像做出了缩放和裁剪。而SDXL额外引入裁剪作为控制条件，解决了上述问题并可人为控制被裁剪样本的生成。

SDXL Turbo模型使用对抗扩散蒸馏（ADD）方法，通过对SDXL进行蒸馏得到更高效的模型SDXL Turbo，仅需一个采样步长就能生成令人满意的结果。

2023年DiT横空出世，全面取代了扩散模型传统的UNet/ViT的网络骨架。SD 3进一步拓展了DiT框架，提出MM-DiT，使DiT能够支持文本等条件约束。

同时SD 3做了大量的对比实验，探索了多模态DiT的Scaling Law，发现基于DiT的文生图模型与大模型一样，也具有Scaling Law的规律。