很高興跟大家分享我們最新的文生圖模型 —— SDXL-Lightning，它實現了前所未有的速度和質量，并且已經向社區開放。

閃電般的圖片生成

生成式 AI 正憑借其根據文本提示（text prompts）創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）調用龐大的神經網絡。這樣的速度限制了有快速、實時生成需求的應用場景。如何在提升生成質量的同時加快速度，是當前研究的熱點領域，也是我們工作的核心目標。

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

除了速度優勢，SDXL-Lightning 在圖像質量上也有顯著表現，并在評估中超越了以往的加速技術。在實現更高分辨率和更佳細節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，圖像質量越好。

以下是 4 步生成結果——

以下是 2 步生成結果—— 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，開放模型

開源開放的浪潮已經成為推動人工智能迅猛發展的關鍵力量，字節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，該模型已經擁有一個繁榮的生態系統。現在，我們決定將 SDXL-Lightning 開放給全球的開發者、研究人員和創意從業者，以便他們能訪問并運用這一模型，進一步推動整個行業的創新和協作。

在設計 SDXL-Lightning 時，我們就考慮到與開放模型社區的兼容。社區中已有眾多藝術家和開發者創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 相結合，實現極速可控的圖片生成。



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

關于技術細節

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化過程。在這一過程中，神經網絡學習在這個轉化流（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，接著用神經網絡計算出梯度。根據當前位置上的梯度，我們對樣本進行微小的調整，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，所以需要神經網絡的頻繁計算，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，但它們仍然需要超過 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絡直接預測老師網絡完成了多步推理后的結果。這樣的策略可以大幅減少所需的推理步驟數量。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，學生網絡預測老師網絡多步后的結果

在實際操作中，學生網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絡精確匹配教師網絡的預測，而是讓學生網絡在概率分布上與教師網絡保持一致。換言之，學生網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的，引入了一個額外的判別網絡來幫助實現學生網絡和教師網絡輸出的分布匹配。

這是我們研究方法的簡要概述。在技術論文（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。

SDXL-Lightning 之外

盡管本研究主要探討了如何利用 SDXL-Lightning 技術進行圖像生成，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圖像的范疇。這一創新技術也可以被運用于快速且高質量生成視頻、音頻以及其他多模態內容。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