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