萧箫发自凹非寺
量子位公众号 QbitAI
扩散模型的图像生成统治地位，终于要被 GAN 夺回了？
就在大伙儿喜迎新年之际，英伟达一群科学家悄悄给 StyleGAN 系列做了个升级，变出个 PLUS 版的 StyleGAN-T，一下子在网上火了。
无论是在星云爆炸中生成一只柯基：
还是基于虚幻引擎风格渲染的森林：
都只需要接近 0.1 秒就能生成！
同等算力下，扩散模型中的 Stable Diffusion 生成一张图片需要3 秒钟，Imagen 甚至需要接近 10 秒。
不少网友的第一反应是：GAN，一个我太久没听到的名字了。
很快谷歌大脑研究科学家、DreamFusion 第一作者 Ben Poole 赶来围观，并将 StyleGAN-T 与扩散模型做了个对比：
在低质量图像（64×64）生成方面，StyleGAN-T 要比扩散模型做得更好。
但他同时也表示，在 256×256 图像生成上，还是扩散模型的天下。
所以，新版 StyleGAN 生成质量究竟如何，它又究竟是在哪些领域重新具备竞争力的？
StyleGAN-T 长啥样？
相比扩散模型和自回归模型多次迭代生成样本，GAN 最大的优势是速度。
因此，StyleGAN-T 这次也将重心放在了大规模文本图像合成上，即如何在短时间内由文本生成大量图像。
StyleGAN-T 基于 StyleGAN-XL 改进而来。
StyleGAN-XL 的参数量是 StyleGAN3 的 3 倍，基于 ImageNet 训练，能生成 1024×1024 高分辨率的图像，并借鉴了 StyleGAN2 和 StyleGAN3 的部分架构设计。
它的整体架构如下：
具体到细节上，作者们对生成器、判别器和文本对齐权衡机制进行了重新设计，用 FID 对样本质量进行量化评估，并采用 CLIP 来对文本进行对齐。
在生成器上，作者们放弃了 StyleGAN3 中能实现平移同变性（equivariance）的架构，转而采用了 StyleGAN2 的部分设计，包括输入空间噪声以及跳层连接等，以提升细节随机变化的多样性。
在判别器上，作者们也重新进行了设计，采用自监督学习对 ViT-S 进行训练。
随后，作者采用了一种特殊的截断（truncation）方法来控制图像生成的效果，同时权衡生成内容的多样性。
只需要控制参数ψ，就能在确保 CLIP 分数（用于评估图像生成效果）变动不大的情况下，改善生成图像的风格多样性。
随后，作者们用 64 个英伟达 A100 训练了 4 周，最终得到了这版 StyleGAN-T。
那么它的生成效果如何呢？
超快生成低分辨率图像
作者们对当前最好的几种 GAN、扩散模型和自回归模型进行了评估。
在微软的 MS COCO 数据集上，StyleGAN-T 实现了 64×64 分辨率下最高的 FID。
（其中，FID 是计算真实图像和生成图像特征向量距离的评估用值，数值越低，表示生成的效果越接近真实图像）
但在更高的 256×256 分辨率生成上，StyleGAN-T 还是没有比过扩散模型，只是在生成效果上比同样用 GAN 的 LAFITE 要好上不少：
如果进一步将生成时间和 FID 分别作为纵轴和横轴，放到同一张图上来对比，还能更直观地对比生成质量和速度。
可见 StyleGAN-T 能保持在10FPS的速度下生成 256×256 分辨率图像，同时 FID 值逼近 LDM 和 GLIDE 等扩散模型：
而在文本生成图像功能上，作者们也从文本特征、风格控制等方面对模型进行了测试。
在增加或改变特定的形容词后，生成的图像确实符合描述：
即便是快速生成的图像，也能迅速控制风格，如“梵高风格的画”or“动画”等：
当然，偶尔也有失败案例，最典型的就是生成带字母要求的图像时，显示不出正常字母来：
作者们正在努力整理代码，表示不久之后就会开源。
作者介绍
作者们均来自图宾根大学和英伟达。
一作 Axel Sauer，图宾根大学博士生，此前在卡尔斯鲁厄理工学院（KIT）获得本硕学位。目前感兴趣的研究方向是深度生成模型、神经网络架构和实证研究。
二作 Tero Karras，英伟达杰出研究科学家，对英伟达 RTX 技术有重要贡献，也是 StyleGAN 系列的主要作者，主要研究方向是计算机图形学和实时渲染。
不过在这波 GAN 掀起的“文艺复兴”浪潮下，也出现了“StyleGAN 时代迎来终结”的声音。
有网友感慨：
在这之前，最新 StyleGAN 生成的图像总能让我们大吃一惊，然而现在它给我们的印象只剩下“快”了。
你认为 GAN 还能撼动扩散模型的统治地位吗？
论文地址：
https://arxiv.org/abs/2301.09515
项目地址：
https://github.com/autonomousvision/stylegan-t
