比Flux更强大的文生图模型来了！秘诀是“集百家之长”

打造更强大文生图模型新思路有——

面对Flux、stable diffusion、Omost等爆火模型，有人开始主打“集各家所长”。

具体来说，清北、牛津、普林斯顿等机构的研究者提出了⼀个全新文生图框架IterComp。

它能提取不同模型在各自领域的优势，同时不引入额外的复杂指令或增加计算开销。

论文一经发布，即在𝕏（前推特）获得AI论文领域大V转发，吸引大量关注。

那么，研究人员具体是如何实现的呢？

全新文生图框架：IterComp

⾃2022年以来，基于diffusion的文生图模型取得了快速发展，尤其在复杂组合生成（complex/compositional generation）任务上取得了显著进展。

例如，今年8月发布的Flux展现出了十分震撼的复杂场景生成能力与美学质量；

RPG通过MLLM的辅助，将复杂的组合生成任务分解为简单子任务；

InstanceDiffusion通过布局控制（layoutbased），实现了与布局分布高度一致的精确图像生成。

然而，这些模型的优势仅限于某些特定的组合生成任务，且存在诸多局限。

基于文本的生成方法（如SDXL、SD3、Flux等），由于其训练数据和框架的优势，在物体与场景的模拟上表现出色，特别在美学质量、属性绑定和非空间关系（non-spatial relationships）方面具有显著优势。

然而，当涉及多个物体，且存在复杂的空间关系时，这类模型往往表现出明显不足。

基于大语言模型（LLM-based）的生成方法，如RPG和Omost，通常需要对LLM进⾏额外训练或设计复杂的提示。

然而，对于LLM处理后的复杂指令，diffusion backbone并不具备精确生成的能力。

基于布局（layourbased）的生成方法，如Instancediffusion和LMD+，虽然提供了精确的控制，但在图像的美学质量和真实性上存在明显下降，并且需要人为设计布局。

因此，一个值得深⼊探讨的问题是：

能否设计出一个强大的模型，在上述多个方面都表现出⾊，同时不引入额外的复杂指令或增加计算开销？

基于此，研究人员提出一个全新的文生图框架：IterComp。

要充分解决这⼀问题，研究面临两大难点：

1、如何提取不同模型在各自领域的优势，并引导模型进行有效学习？

针对该问题，研究人员首先构建了模型库（model gallery)，其包含多种在不同方面表现出色的模型，每个模型都具备特定的组合生成偏好（composition-aware model preference）。

研究人员尝试通过扩散模型对齐方法，将base diffusion model与模型库中的组合生成偏好进行对齐。

团队聚焦于compositional generation的三个关键方面：

• 属性绑定（attribute binding）

• 空间关系（spatial relationship）

• ⾮空间关系（non-spatial relationship）

为此，研究人员收集了不同模型在这些方面的偏好数据，并通过人工排序，构建了⼀个面向组合生成的模型偏好数据集（composition-aware model preference dataset）。

针对这三个方面，团队分别训练三个composition-aware reward models，并对base模型进行多奖励反馈优化。

2、组合生成任务很难优化，如何更充分地学习到不同模型的组合偏好？

研究人员在diffusion领域创新地引入迭代式学习框架（iterative feedback learning），实现reward models与base diffusion model之间“左脚踩右脚登天”。

具体来说，在上述第一轮优化后，团队将optimized base diffusion model以及额外选择的其他模型（例如Omost等）添加进model gallery。

对新增模型进行偏好采样，与初始model gallery中的图像按照预训练的reward model构建图像对。

这些图像对被用于进⼀步优化奖励模型，随后继续用更新的奖励模型优化基础扩散模型。

具体的流程如下伪代码所示：

实验

在定性实验中，与其他三类compositional generation方法相比，IterComp取得了显著的组合质量的提升，并且不会引入额外的计算量。

从定量结果中可以看出，IterComp在T2I-CompBench上取得了各方面的领先。

另外，针对图像真实性以及美学质量，IterComp也表现出色。

然而IterComp的应用潜力不限于此，其可以作为强大的backbone显著提升Omost, RPG等模型的生成能力。

更多细节欢迎查阅原论文。

论文地址：https://arxiv.org/abs/2410.07171
代码地址：https://github.com/YangLing0818/IterComp
模型地址：https://huggingface.co/comin/IterComp
Civitai:https://civitai.com/models/840857