很高興跟大家分享我們最新的文生圖模型 —— SDXL-Lightning，它實現(xiàn)了前所未有的速度和質(zhì)量，并且已經(jīng)向社區(qū)開放。

閃電般的圖片生成

生成式 AI 正憑借其根據(jù)文本提示（text prompts）創(chuàng)造出驚艷圖像乃至視頻的能力，贏得全球的矚目。當前最先進的生成模型依賴于擴散過程（diffusion），這是一個將噪聲逐步轉(zhuǎn)化為圖像樣本的迭代過程。這個過程需要耗費巨大的計算資源并且速度較慢，在生成高質(zhì)量圖像樣本的過程中，單張圖像的處理時間約為 5 秒，其中通常需要多次（20 到 40 次）調(diào)用龐大的神經(jīng)網(wǎng)絡。這樣的速度限制了有快速、實時生成需求的應用場景。如何在提升生成質(zhì)量的同時加快速度，是當前研究的熱點領(lǐng)域，也是我們工作的核心目標。

SDXL-Lightning 通過一種創(chuàng)新技術(shù)——漸進式對抗蒸餾（Progressive Adversarial Distillation）——突破了這一障礙，實現(xiàn)了前所未有的生成速度。該模型能夠在短短 2 步或 4 步內(nèi)生成極高質(zhì)量和分辨率的圖像，將計算成本和時間降低十倍。我們的方法甚至可以在 1 步內(nèi)為超時敏感的應用生成圖像，雖然可能會稍微犧牲一些質(zhì)量。

除了速度優(yōu)勢，SDXL-Lightning 在圖像質(zhì)量上也有顯著表現(xiàn)，并在評估中超越了以往的加速技術(shù)。在實現(xiàn)更高分辨率和更佳細節(jié)的同時保持良好的多樣性和圖文匹配度。

速度對比示意

原始模型（20 步），SDXL-Lightning 模型（2 步）

模型效果

SDXL-Lightning 模型可以通過 1 步、2 步、4 步和 8 步來生成圖像。推理步驟越多，圖像質(zhì)量越好。

以下是 4 步生成結(jié)果——

以下是 2 步生成結(jié)果—— 與以前的方法（Turbo 和 LCM）相比，我們的方法生成的圖像在細節(jié)上有顯著改進，并且更忠實于原始生成模型的風格和布局。

回饋社區(qū)，開放模型

開源開放的浪潮已經(jīng)成為推動人工智能迅猛發(fā)展的關(guān)鍵力量，字節(jié)跳動也自豪地成為這股浪潮的一部分。我們的模型基于目前最流行的文字生成圖像開放模型 SDXL，該模型已經(jīng)擁有一個繁榮的生態(tài)系統(tǒng)?，F(xiàn)在，我們決定將 SDXL-Lightning 開放給全球的開發(fā)者、研究人員和創(chuàng)意從業(yè)者，以便他們能訪問并運用這一模型，進一步推動整個行業(yè)的創(chuàng)新和協(xié)作。

在設(shè)計 SDXL-Lightning 時，我們就考慮到與開放模型社區(qū)的兼容。社區(qū)中已有眾多藝術(shù)家和開發(fā)者創(chuàng)建了各種各樣的風格化圖像生成模型，例如卡通和動漫風格等。為了支持這些模型，我們提供 SDXL-Lightning 作為一個增速插件，它可以無縫地整合到這些多樣風格的 SDXL 模型中，為各種不同模型加快圖像生成的速度。

SDXL-Lightning 模型也可以和目前非常流行的控制插件 ControlNet 相結(jié)合，實現(xiàn)極速可控的圖片生成。



SDXL-Lightning 模型也支持開源社區(qū)里目前最流行的生成軟件 ComfyUI，模型可以被直接加載來使用：

關(guān)于技術(shù)細節(jié)

從理論上來說，圖像生成是一個由噪聲到清晰圖像的逐步轉(zhuǎn)化過程。在這一過程中，神經(jīng)網(wǎng)絡學習在這個轉(zhuǎn)化流（flow）中各個位置上的梯度。

生成圖像的具體步驟是這樣的：

首先我們在流的起點，隨機采樣一個噪聲樣本，接著用神經(jīng)網(wǎng)絡計算出梯度。根據(jù)當前位置上的梯度，我們對樣本進行微小的調(diào)整，然后不斷重復這一過程。每一次迭代，樣本都會更接近最終的圖像分布，直至獲得一張清晰的圖像。

圖：生成流程（來自：https://arxiv.org/abs/2011.13456）

由于生成流復雜且非直線，生成過程必須一次只走一小步以減少梯度誤差累積，所以需要神經(jīng)網(wǎng)絡的頻繁計算，這就是計算量大的原因。

圖：曲線流程（圖片來自：https://arxiv.org/abs/2210.05475）

為了減少生成圖像所需的步驟數(shù)量，許多研究致力于尋找解決方案。一些研究提出了能減少誤差的采樣方法，而其他研究則試圖使生成流更加直線化。盡管這些方法有所進展，但它們?nèi)匀恍枰^ 10 個推理步驟來生成圖像。

另一種方法是模型蒸餾，它能夠在少于 10 個推理步驟的情況下生成高質(zhì)量圖像。不同于計算當前流位置下的梯度，模型蒸餾改變模型預測的目標，直接讓其預測下一個更遠的流位置。具體來說，我們訓練一個學生網(wǎng)絡直接預測老師網(wǎng)絡完成了多步推理后的結(jié)果。這樣的策略可以大幅減少所需的推理步驟數(shù)量。通過反復應用這個過程，我們可以進一步降低推理步驟的數(shù)量。這種方法被先前的研究稱之為漸進式蒸餾。

圖：漸進式蒸餾，學生網(wǎng)絡預測老師網(wǎng)絡多步后的結(jié)果

在實際操作中，學生網(wǎng)絡往往難以精確預測未來的流位置。誤差隨著每一步的累積而放大，導致在少于 8 步推理的情況下，模型產(chǎn)生的圖像開始變得模糊不清。

為了解決這個問題，我們的策略是不強求學生網(wǎng)絡精確匹配教師網(wǎng)絡的預測，而是讓學生網(wǎng)絡在概率分布上與教師網(wǎng)絡保持一致。換言之，學生網(wǎng)絡被訓練來預測一個概率上可能的位置，即使這個位置并不完全準確，我們也不會對它進行懲罰。這個目標是通過對抗訓練來實現(xiàn)的，引入了一個額外的判別網(wǎng)絡來幫助實現(xiàn)學生網(wǎng)絡和教師網(wǎng)絡輸出的分布匹配。

這是我們研究方法的簡要概述。在技術(shù)論文（https://arxiv.org/abs/2402.13929）中，我們提供了更深入的理論分析、訓練策略以及模型的具體公式化細節(jié)。

SDXL-Lightning 之外

盡管本研究主要探討了如何利用 SDXL-Lightning 技術(shù)進行圖像生成，但我們所提出的漸進式對抗蒸餾方法的應用潛力不局限于靜態(tài)圖像的范疇。這一創(chuàng)新技術(shù)也可以被運用于快速且高質(zhì)量生成視頻、音頻以及其他多模態(tài)內(nèi)容。我們誠摯邀請您在 HuggingFace 平臺上體驗 SDXL-Lightning，并期待您寶貴的意見和反饋。

審核編輯：劉清