8張GPU訓出近SOTA模型,超低成本圖像生成預訓練方案開源
Everlyn 投稿
量子位 | 公眾號 QbitAI
超低成本圖像生成預訓練方案來了——
僅需8張GPU訓練,就能實現近SOTA的高質量圖像生成效果。
劃重點:開源。

模型名為LightGen,由港科大Harry Yang團隊聯合Everlyn AI等機構打造,借助知識蒸餾(KD)和直接偏好優化(DPO)策略,有效壓縮了大規模圖像生成模型的訓練流程。
LightGen不僅顯著降低了數據規模與計算資源需求,而且在高質量圖像生成任務上展現了與SOTA模型相媲美的性能。

圖像inpainting效果belike:

LightGen相較於現有的生成模型,儘管參數量更小、預訓練數據規模更精簡,卻在geneval圖像生成任務的基準評測中甚至超出了部分最先進SOTA模型。
此外,LightGen在效率與性能之間實現了良好的平衡,成功地將傳統上需要數千GPU days的預訓練過程縮短至僅88個GPU days,即可完成高質量圖像生成模型的訓練。
以下是更多細節。
LightGen長什麼樣?
文本到圖像(Text-to-Image, T2I)生成任務近年來取得了飛速進展,其中以擴散模型(如Stable Diffusion、DiT等)和自回歸(AR)模型為代表的方法取得了顯著成果。
然而,這些主流的生成模型通常依賴於超大規模的數據集和巨大的參數量,導致計算成本高昂、落地困難,難以高效地應用於實際生產環境。
為瞭解決這一難題,香港科技大學Harry Yang教授團隊聯合Everlyn AI和UCF,提出了LightGen這一新型高效圖像生成模型,致力於在有限的數據和計算資源下,快速實現高質量圖像的生成,推動自回歸模型在視覺生成領域更高效、更務實地發展與應用。

LightGen採用的訓練流程主要包括以下關鍵步驟:
一、數據KD
利用當前SOTA的T2I模型,生成包含豐富語義的高質量合成圖像數據集。
這一數據集的圖像具有較高的視覺多樣性,同時包含由最先進的大型多模態語言模型(如GPT-4o)生成的豐富多樣的文本標註,從而確保訓練數據在文本和圖像兩個維度上的多樣性。
二、DPO後處理
由於合成數據在高頻細節和空間位置捕獲上的不足,作者引入了直接偏好優化技術作為後處理手段,通過微調模型參數優化生成圖像與參考圖像之間的差異,有效提升圖像細節和空間關係的準確性,增強了生成圖像的質量與魯棒性。
通過以上方法,LightGen顯著降低了圖像生成模型的訓練成本與計算需求,展現了在資源受限環境下獲取高效、高質量圖像生成模型的潛力。

實驗效果如何?
作者通過實驗對比了LightGen與現有的多種SOTA的T2I生成模型,使用GenEval作為benchmark來驗證LightGen模型和其它開源模型的性能。
結果表明,LightGen模型在模型參數和訓練數量都小於其它模型的的前提下,在256×256和512×512解像度下的圖像生成任務中的表現均接近或超過現有的SOTA模型。

LightGen在單物體、雙物體以及顏色合成任務上明顯優於擴散模型和自回歸模型,在不使用DPO方法的情況下,分別達到0.49(80k步訓練)和0.53的整體性能分數。
在更高的512×512解像度上,LightGen達到了可比肩當前SOTA模型的成績,整體性能分數達到0.62,幾乎超過所有現有方法。
特別地,加入DPO方法後,模型在位置準確性和高頻細節方面的表現始終穩定提升,這體現了DPO在解決合成數據缺陷上的有效性。
除此之外,消融實驗結果顯示,當數據規模達到約100萬張圖像時,性能提升會遇到瓶頸,進一步增加數據規模帶來的收益很有限。因此,作者最終選擇了200萬張圖像作為最優的預訓練數據規模。

上圖(b)探討了不同訓練迭代次數對GenEval在256與512解像度下性能的影響。
值得注意的是,在256像素階段,僅經過80k訓練步數便能達到相當不錯的性能,這突顯了數據蒸餾方法在訓練效率上的優勢。
團隊表示,未來研究可進一步探索該方法在其他生成任務(如影片生成)上的應用,推動高效、低資源需求的生成模型進一步發展。
論文鏈接:https://arxiv.org/abs/2503.08619
模型鏈接:https://huggingface.co/Beckham808/LightGen
項目鏈接:https://github.com/XianfengWu01/LightGen