本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

擴散模型的圖像生成統治地位，終于要被GAN奪回了？

就在大伙兒喜迎新年之際，英偉達一群科學家悄悄給StyleGAN系列做了個升級，變出個PLUS版的StyleGAN-T，一下子在網上火了。

無論是在星云爆炸中生成一只柯基：

還是基于虛幻引擎風格渲染的森林：

都只需要接近0.1秒就能生成！

同等算力下，擴散模型中的Stable Diffusion生成一張圖片需要3秒鐘，Imagen甚至需要接近10秒。

不少網友的第一反應是：

GAN，一個我太久沒聽到的名字了。

很快谷歌大腦研究科學家、DreamFusion第一作者Ben Poole趕來圍觀，并將StyleGAN-T與擴散模型做了個對比：

在低質量圖像（64×64）生成方面，StyleGAN-T要比擴散模型做得更好。

但他同時也表示，在256×256圖像生成上，還是擴散模型的天下。

所以，新版StyleGAN生成質量究竟如何，它又究竟是在哪些領域重新具備競爭力的？

StyleGAN-T長啥樣？

相比擴散模型和自回歸模型多次迭代生成樣本，GAN最大的優勢是速度。

因此，StyleGAN-T這次也將重心放在了大規模文本圖像合成上，即如何在短時間內由文本生成大量圖像。

StyleGAN-T基于StyleGAN-XL改進而來。

StyleGAN-XL的參數量是StyleGAN3的3倍，基于ImageNet訓練，能生成1024×1024高分辨率的圖像，并借鑒了StyleGAN2和StyleGAN3的部分架構設計。

它的整體架構如下：

具體到細節上，作者們對生成器、判別器和文本對齊權衡機制進行了重新設計，用FID對樣本質量進行量化評估，并采用CLIP來對文本進行對齊。

在生成器上，作者們放棄了StyleGAN3中能實現平移同變性（equivariance）的架構，轉而采用了StyleGAN2的部分設計，包括輸入空間噪聲以及跳層連接等，以提升細節隨機變化的多樣性。

在判別器上，作者們也重新進行了設計，采用自監督學習對ViT-S進行訓練。

隨后，作者采用了一種特殊的截斷（truncation）方法來控制圖像生成的效果，同時權衡生成內容的多樣性。

只需要控制參數ψ，就能在確保CLIP分數（用于評估圖像生成效果）變動不大的情況下，改善生成圖像的風格多樣性。

隨后，作者們用64個英偉達A100訓練了4周，最終得到了這版StyleGAN-T。

那么它的生成效果如何呢？

超快生成低分辨率圖像

作者們對當前最好的幾種GAN、擴散模型和自回歸模型進行了評估。

在微軟的MS COCO數據集上，StyleGAN-T實現了64×64分辨率下最高的FID。

（其中，FID是計算真實圖像和生成圖像特征向量距離的評估用值，數值越低，表示生成的效果越接近真實圖像）

但在更高的256×256分辨率生成上，StyleGAN-T還是沒有比過擴散模型，只是在生成效果上比同樣用GAN的LAFITE要好上不少：

如果進一步將生成時間和FID分別作為縱軸和橫軸，放到同一張圖上來對比，還能更直觀地對比生成質量和速度。

可見StyleGAN-T能保持在10FPS的速度下生成256×256分辨率圖像，同時FID值逼近LDM和GLIDE等擴散模型：

而在文本生成圖像功能上，作者們也從文本特征、風格控制等方面對模型進行了測試。

在增加或改變特定的形容詞后，生成的圖像確實符合描述：

即便是快速生成的圖像，也能迅速控制風格，如“梵高風格的畫”or“動畫”等：

當然，偶爾也有失敗案例，最典型的就是生成帶字母要求的圖像時，顯示不出正常字母來：

作者們正在努力整理代碼，表示不久之后就會開源。

作者介紹

作者們均來自圖賓根大學和英偉達。

一作Axel Sauer，圖賓根大學博士生，此前在卡爾斯魯厄理工學院（KIT）獲得本碩學位。目前感興趣的研究方向是深度生成模型、神經網絡架構和實證研究。

二作Tero Karras，英偉達杰出研究科學家，對英偉達RTX技術有重要貢獻，也是StyleGAN系列的主要作者，主要研究方向是計算機圖形學和實時渲染。

不過在這波GAN掀起的“文藝復興”浪潮下，也出現了“StyleGAN時代迎來終結”的聲音。

有網友感慨：

在這之前，最新StyleGAN生成的圖像總能讓我們大吃一驚，然而現在它給我們的印象只剩下“快”了。

你認為GAN還能撼動擴散模型的統治地位嗎？

論文地址：https://arxiv.org/abs/2301.09515

項目地址：https://github.com/autonomousvision/stylegan-t