博客

大家好，今天我要给大家介绍一款名为 Würstchen 的新型图像生成模型。这款模型由 Hugging Face 公司开发，它是一种扩散模型，能够在高度压缩的图像潜在空间中进行文本条件操作。这项技术的优势在于能大大降低训练和推理的计算成本。以前我们在处理 1024×1024 的图像时，需要花费大量的计算资源，而现在，通过 Würstchen，我们可以用相当于 32×32 图像的资源来完成这项工作，这无疑是一个巨大的突破。

Würstchen 的设计新颖，实现了 42 倍的空间压缩，这在之前是无法想象的。它采用了两阶段压缩，我们称之为A阶段和B阶段。A阶段是一个 VQGAN，B阶段是一个扩散自编码器。A阶段和B阶段共同被称为解码器，因为它们将压缩后的图像解码回像素空间。还有一个第三阶段模型，称为 Prior，它在高度压缩的潜在空间中进行学习，这种训练需要的计算资源只是当前顶级模型的一小部分，同时也让推理变得更便宜、更快。

那么，为什么我们需要另一个文本到图像的模型呢？原因很简单，因为 Würstchen 非常快且高效。比起像 Stable Diffusion XL 这样的模型，Würstchen 可以更快地生成图像，同时使用的内存也更少。此外，Würstchen 的训练成本也大大降低，Würstchen v1 只需要 9,000 GPU 训练小时，而 Stable Diffusion 1.4 需要 150,000 GPU 训练小时。这意味着更多的组织可以训练这样的模型。

使用 Würstchen 也非常简单。您可以通过 Diffusers 库来使用它，下面是一个使用 AutoPipeline 进行推理的例子：

import torch
from diffusers import AutoPipelineForText2Image
from diffusers.pipelines.wuerstchen import DEFAULT_STAGE_C_TIMESTEPS

pipeline = AutoPipelineForText2Image.from_pretrained("warp-ai/wuerstchen", torch_dtype=torch.float16).to("cuda")

caption = "Anthropomorphic cat dressed as a firefighter"
images = pipeline(
    caption,
    height=1024,
    width=1536,
    prior_timesteps=DEFAULT_STAGE_C_TIMESTEPS,
    prior_guidance_scale=4.0,
    num_images_per_prompt=4,
).images

Würstchen 在 1024×1024 到 1536×1536 之间的图像分辨率上进行训练，同时我们也注意到，在 1024×2048 这样的分辨率上，Würstchen 也能产生很好的结果。我们还发现，Prior（第三阶段模型）能够非常快速地适应新的分辨率，因此在 2048×2048 的分辨率上进行微调应该是计算成本非常低的。

此外，Würstchen 还提供了一些优化技术，包括使用 PyTorch 2 SDPA 加速注意力机制，为 Apple Silicon Mac 提供的 mps 设备支持，以及使用生成器进行可复现性优化等。

在此，我们要感谢 Stability AI 提供的计算资源，使得我们能够训练出这样的模型，我们希望这项研究能够对更多的研究者和开发者带来帮助，提升他们在图像生成领域的工作效率。

Würstchen 的所有检查点都可以在 Huggingface Hub 上查看。在那里，您可以找到多个检查点，以及未来的演示和模型权重。目前，Prior有三个检查点，Decoder有一个检查点。请在文档中查看检查点的解释，以及不同的 Prior 模型的用途。

因为 Würstchen 完全集成在 Diffusers 中，所以它自带各种好处和优化。其中包括：

• 自动使用 PyTorch 2 SDPA 加速的注意力机制。
• 支持 xFormers 的 flash 注意力实现，如果你需要使用 PyTorch 1.x 而不是 2.x。
• 模型卸载，将未使用的组件在不使用时移动到 CPU，这可以节省内存，而对性能影响微乎其微。
• 顺序 CPU 卸载，适用于内存非常宝贵的情况。内存使用将被最小化，代价是推理速度较慢。
• 使用 Comp 进行提示权重。

在这里，我们的介绍就要结束了，但 Würstchen 的旅程才刚刚开始。这个新模型将在图片生成领域带来革命性影响，无论是在计算成本、效率还是在图像质量上，都有显著的提升。我们期待它在未来能够带给更多研究人员和开发者便利和启发。感谢大家的阅读，我们下次再见！

大家好，欢迎来到今天的科技博客，我要引领大家进入一个充满奇妙创新的世界——3D高斯投影。这是一种由《3D高斯投影用于实时辐射场渲染》一文描述的光栅化技术，它带来了摄影级别的实时场景渲染。

3D高斯投影到底是什么？

首先，让我们来揭开3D高斯投影的神秘面纱。它是一种光栅化技术，这意味着它将场景描述的数据绘制在屏幕上，如同计算机图形中的三角形光栅化一样。然而，这里的主角并不是三角形，而是高斯分布。每一个高斯分布都被一些参数所描述，包括它的位置（XYZ）、协方差（即它的拉伸或缩放，由3×3矩阵表示）、颜色（RGB）以及透明度（α）。在实际应用中，这些高斯分布会被同时绘制出来，从而形成了我们所看到的3D图像。

3D高斯投影的工作原理

接下来，我将为大家详细介绍一下3D高斯投影的全过程。

首先，通过利用Structure from Motion（SfM）方法，我们可以从一组图片中估算出一个点云。然后，这些点会被转换成高斯分布，这已经足够进行光栅化了。接下来，我们需要通过训练来学习一个可以产生高质量结果的表示。

在训练过程中，我们使用了类似于神经网络的随机梯度下降，但没有涉及到层的概念。训练步骤包括使用可微的高斯光栅化将高斯分布光栅化为图像，计算光栅化图像与真实图像之间的差异，根据损失调整高斯参数，并应用自动化的密集化和剪枝。这使得高斯分布能更好地适应细致的细节，同时剪除不必要的高斯分布。

作为光栅化技术，3D高斯投影的关键在于它的快速性和可微性。每一个高斯分布都会从摄像机的视角投影到2D空间，按深度排序，然后每个像素会依次迭代每个高斯分布，将它们混合在一起。

3D高斯投影的重要性

那么，为什么3D高斯投影会引起人们的广泛关注呢？答案很明显，它能实时渲染出高质量的场景。而且，它还有很多未知的可能性，例如是否可以进行动画渲染？是否可以进行反射渲染？是否可以在不依赖参考图像的情况下进行建模？此外，3D高斯投影对于很多AI研究领域，如Embodied AI，也可能带来深远的影响。

3D高斯投影和图形的未来

那么，3D高斯投影对图形的未来意味着什么呢？它的优点包括能快速地实时渲染出高质量的照片级别场景，并且训练过程也相对较快。然而，也存在一些缺点，比如它需要大量的视频内存（查看需要4GB，训练需要12GB），生成的场景文件大小也较大，达到1GB以上。此外，它与现有的渲染管线并不兼容，生成的场景是静态的，不能动态改变。

虽然3D高斯投影带来了一些挑战，但它的出现无疑是图形渲染领域的一大创新。它打开了一个全新的可能性，也许在不久的将来，我们将看到更多利用3D高斯投影的实时、高质量的渲染效果。

结语

在这篇博客中，我们对3D高斯投影进行了初步的探讨。这是一个既神秘又充满无限可能性的领域。虽然它目前还存在一些局限性，但我们相信，随着科研人员的不断探索和技术的不断进步，3D高斯投影将为未来的图形渲染开创全新的纪元。