高馬爾今天小編(集玲琳)要和大家分享的是8張GPU訓出近SOTA模型，超低成本影像生成預訓練方案開源,歡迎閱讀~
超低成本影像生成預訓練方案來了——
僅需 8 張 GPU 訓練，就能實現近 SOTA 的高質量影像生成效果。
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，有效壓縮了大規模影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，而且在高質量影像生成任務上展現了與 SOTA 模型相媲美的性能。
影像 inpainting 效果 belike：
LightGen 相較于現有的生成模型，盡管參數量更小、預訓練數據規模更精簡，卻在 geneval 影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，成功地将傳統上需要數千 GPU days 的預訓練過程縮短至僅 88 個 GPU days，即可完成高質量影像生成模型的訓練。
以下是更多細節。
LightGen 長啥樣？
文本到影像（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于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，難以高效地應用于實際生產環境。
為了解決這一難題，香港科技大學 Harry Yang 教授團隊聯合 Everlyn AI 和 UCF，提出了 LightGen 這一新型高效影像生成模型，致力于在有限的數據和計算資源下，快速實現高質量影像的生成，推動自回歸模型在視覺生成領網域更高效、更務實地發展與應用。
LightGen 采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影像數據集。
這一數據集的影像具有較高的視覺多樣性，同時包含由最先進的大型多模态語言模型（如 GPT-4o）生成的豐富多樣的文本标注，從而确保訓練數據在文本和影像兩個維度上的多樣性。
二、DPO 後處理
由于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影像與參考影像之間的差異，有效提升影像細節和空間關系的準确性，增強了生成影像的質量與魯棒性。
通過以上方法，LightGen 顯著降低了影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、高質量影像生成模型的潛力。
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于其它模型的的前提下，在 256 × 256 和 512 × 512 分辨率下的影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于擴散模型和自回歸模型，在不使用 DPO 方法的情況下，分别達到 0.49（80k 步訓練）和 0.53 的整體性能分數。
在更高的 512 × 512 分辨率上，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。
特别地，加入 DPO 方法後，模型在位置準确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 萬張影像時，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 萬張影像作為最優的預訓練數據規模。
上圖 ( b ) 探讨了不同訓練迭代次數對 GenEval 在 256 與 512 分辨率下性能的影響。
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（如視頻生成）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
— 完 —
學術投稿請于工作日發郵件到：
标題注明【投稿】，告訴我們：
你是誰，從哪來，投稿内容
附上論文 / 項目主頁鏈接，以及聯系方式哦
我們會（盡量）及時回復你
一鍵關注 點亮星标
科技前沿進展每日見
一鍵三連「點贊」「轉發」「小心心」
歡迎在評論區留下你的想法！
關于8張GPU訓出近SOTA模型，超低成本影像生成預訓練方案開源就分享完了，您有什麼想法可以聯系小編(集玲琳)。