清华智谱联手，超高分辨率图像生成模型Inf-DiT问世

清华智谱AI联手推出Inf-DiT：超高分辨率图像生成技术的新突破

北京 — 在人工智能领域，图像生成技术一直是研究的热点。近日，清华大学与智谱AI联合推出了一项名为Inf-DiT的超高分辨率图像生成模型，该模型基于扩散模型，在图像上采样方面取得了显著突破。这项技术的发布，不仅解决了传统扩散模型在高分辨率图像生成时面临的内存瓶颈问题，更在图像质量和一致性上实现了质的飞跃，为设计、媒体、印刷、科研等多个领域带来了新的可能性。

Inf-DiT：打破高分辨率图像生成的壁垒

传统扩散模型在处理高分辨率图像时，往往面临着计算资源消耗过大的难题。Inf-DiT的出现，正是为了解决这一痛点。该模型引入了单向块注意力机制（UniBA），将生成过程中的空间复杂度从O(N^2)降低到O(N)。这意味着，在生成大尺寸图像时，Inf-DiT能够显著减少内存消耗，从而实现更高分辨率的图像生成。

“我们意识到，高分辨率图像生成是许多应用场景的刚需，而传统方法在性能和效率上都存在局限性，”清华大学项目负责人表示，“Inf-DiT的创新之处在于，它不仅能生成超高分辨率的图像，还能在保证图像质量的前提下，大幅降低计算成本。”

技术解析：UniBA、DiT与全局嵌入的巧妙融合

Inf-DiT的核心技术包括以下几个方面：

单向块注意力机制（UniBA）： 该机制将图像分割成多个块，并对这些块进行顺序批量生成。每个批次同时生成一部分块，并且只要内存允许，可以并行生成任意数量的块。这种方法有效降低了内存消耗，使得生成更大分辨率的图像成为可能。
扩散变换器（DiT）结构： Inf-DiT采用扩散变换器结构作为基础架构，利用Vision Transformer（ViT）的优势，将注意力机制作为图像块之间交互的主要方式。这不仅便于实现单向块注意力机制，还提高了模型的性能和可扩展性。
全局图像嵌入： 为了增强生成图像的全局语义一致性，Inf-DiT基于预训练的CLIP模型从低分辨率图像中提取全局图像嵌入，并将其添加到扩散变换器的时间嵌入中。这使得模型能够直接从高层语义信息中学习，从而生成更符合预期的图像。
邻近低分辨率块的交叉注意力机制： 在生成高分辨率图像时，为了减少生成不连续图像的概率，Inf-DiT在变换器的第一层引入邻近低分辨率块的交叉注意力机制。这使得每个块能够对周围的3×3低分辨率块进行交叉注意力操作，更好地捕捉邻近低分辨率信息，增强局部一致性。

应用场景：从设计到科研，潜力无限

Inf-DiT的卓越性能和广泛适用性，使其在多个领域都具有巨大的应用潜力：

设计与创意领域： 生成高分辨率的建筑效果图，展示建筑细节和整体布局，帮助客户和设计师更好地理解设计方案。
娱乐与媒体产业： 提升影视画面的分辨率和清晰度，增强视觉效果，满足不同播放媒介的需求。
印刷与出版行业： 将低分辨率的书籍插图和封面图像上采样到适合印刷的高分辨率，确保印刷质量。
科技与研究领域： 提高医学影像的分辨率，帮助医生更准确地诊断和分析病情。

零样本文本控制：赋予图像生成更多可能性

值得一提的是，Inf-DiT还具备零样本文本控制能力。这意味着，用户可以根据给定的文本提示对生成的图像进行引导和调整，从而增加生成图像的多样性和可控性。这一特性为创意人员提供了更大的发挥空间，也为普通用户提供了更加便捷的图像生成体验。

未来展望：持续创新，引领AI图像生成新方向

Inf-DiT的发布，无疑为人工智能图像生成领域注入了新的活力。清华大学和智谱AI表示，未来将继续深化在人工智能领域的研究，不断推出更先进的技术，以满足社会各界日益增长的需求。

“我们相信，Inf-DiT只是一个开始，”智谱AI的发言人表示，“我们将继续探索人工智能的无限可能，为人类创造更美好的未来。”

项目地址：

GitHub仓库：https://github.com/THUDM/Inf-DiT
arXiv技术论文：https://arxiv.org/pdf/2405.04312

参考文献：

THUDM/Inf-DiT GitHub Repository. Retrieved from https://github.com/THUDM/Inf-DiT
Inf-DiT: High-Resolution Image Synthesis with Invariant Diffusion Transformers. arXiv:2405.04312 [cs.CV]. Retrieved from https://arxiv.org/pdf/2405.04312

（完）

注：本文在撰写过程中参考了GitHub仓库和arXiv技术论文，力求信息的准确性和客观性。

>>> Read more <<<