性能超過OminiControl

原標(biāo)題：360AI推出DiT架構(gòu)下"省錢版"ControlNet, 參數(shù)量驟減85%性能達(dá)到SOTA！
文章來源：量子位
內(nèi)容字?jǐn)?shù)：5382字

RelaCtrl: 高效可控圖像生成框架

本文總結(jié)了RelaCtrl團(tuán)隊(duì)發(fā)表在凹非寺量子位 | 公眾號(hào) QbitAI 的文章，介紹了一種新一代高效可控圖像生成框架RelaCtrl。該框架旨在解決現(xiàn)有基于Diffusion Transformer (DiT) 的可控生成方法參數(shù)量巨大、計(jì)算開銷大以及資源分配效率低下的問題。

1. 研究動(dòng)機(jī)

現(xiàn)有的DiT可控生成方法，例如PixArt-δ和OminiControl，雖然提高了圖像生成的保真度和與文本描述的一致性，但存在兩個(gè)主要問題：一是參數(shù)量和計(jì)算量巨大，增加了訓(xùn)練和推理負(fù)擔(dān)；二是忽略了不同Transformer層之間控制信息的相關(guān)性，導(dǎo)致計(jì)算資源分配效率低下。

2. RelaCtrl框架的核心思想

RelaCtrl框架通過優(yōu)化控制信號(hào)的集成方式，實(shí)現(xiàn)了更高效的資源利用。其核心思想是：首先，通過分析不同Transformer層對(duì)控制信息的相關(guān)性，選擇最關(guān)鍵的層進(jìn)行控制信息注入；其次，設(shè)計(jì)輕量級(jí)的控制模塊，減少參數(shù)量和計(jì)算量。

3. 關(guān)鍵技術(shù)

RelaCtrl框架包含兩個(gè)主要部分：

1. DiT-ControlNet Relevance Prior: 該方法通過在推理階段跳過控制網(wǎng)絡(luò)中的不同層，并使用Fréchet Inception Distance (FID) 和Hausdorff Distance (HDD)評(píng)估生成圖像的質(zhì)量和控制精度，從而計(jì)算得到“ControlNet相關(guān)性得分”。根據(jù)得分，選擇最關(guān)鍵的層進(jìn)行控制信息集成。實(shí)驗(yàn)表明，不同層對(duì)控制信息的相關(guān)性呈現(xiàn)先增加后減少的趨勢(shì)，前中心層相關(guān)性較高。
2. Two Dimensions Shuffle Mixer (TDSM): 為了減輕控制分支的計(jì)算負(fù)擔(dān)，RelaCtrl提出了TDSM模塊，它將Transformer塊中的注意力層和前饋網(wǎng)絡(luò)層替換為一個(gè)更輕量級(jí)的操作。TDSM通過對(duì)token進(jìn)行分組計(jì)算和隨亂，增強(qiáng)了token組之間的交互和建模能力，有效減少了參數(shù)數(shù)量和計(jì)算需求。

4. 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果表明，RelaCtrl在多種條件下的可控生成任務(wù)上取得了顯著成果。與PixArt-δ相比，RelaCtrl在控制性能相當(dāng)?shù)那闆r下，參數(shù)量減少了約15%。與ControlNet相比，RelaCtrl在參數(shù)量和計(jì)算復(fù)雜度增加上更低，同時(shí)在控制指標(biāo)、視覺質(zhì)量和文本相似度上均實(shí)現(xiàn)了更優(yōu)的表現(xiàn)。消融實(shí)驗(yàn)也驗(yàn)證了各個(gè)模塊的有效性，并且RelaCtrl兼容社區(qū)模型。

5. 結(jié)論

RelaCtrl框架通過精確的參數(shù)分配和控制策略，結(jié)合輕量化設(shè)計(jì)的控制模塊，有效解決了現(xiàn)有DiT可控生成方法的效率問題。其在參數(shù)量、計(jì)算復(fù)雜度和生成質(zhì)量上的優(yōu)勢(shì)，使其成為一種具有競(jìng)爭(zhēng)力的高效可控圖像生成框架。

論文地址：http://arxiv.org/abs/2502.14377

項(xiàng)目主頁：https://360cvgroup.github.io/RelaCtrl/

代碼倉庫：https://github.com/360CVGroup/RelaCtrl

聯(lián)系作者

文章來源：量子位
作者微信：
作者簡(jiǎn)介：追蹤人工智能新趨勢(shì)，關(guān)注科技行業(yè)新突破