PixArt-Σ : Entraînement de faible à fort d'un transformateur de diffusion pour la génération d'images 4K à partir de texte

PixArt-Σ: Weak-to-Strong Training of Diffusion Transformer for 4K Text-to-Image Generation

March 7, 2024

Auteurs: Junsong Chen, Chongjian Ge, Enze Xie, Yue Wu, Lewei Yao, Xiaozhe Ren, Zhongdao Wang, Ping Luo, Huchuan Lu, Zhenguo Li

cs.AI

Résumé

Dans cet article, nous présentons PixArt-\Sigma, un modèle de Transformer de Diffusion (DiT) capable de générer directement des images en résolution 4K. PixArt-\Sigma représente une avancée significative par rapport à son prédécesseur, PixArt-\alpha, en offrant des images d'une fidélité nettement supérieure et un meilleur alignement avec les prompts textuels. Une caractéristique clé de PixArt-\Sigma est son efficacité en matière d'entraînement. En s'appuyant sur le pré-entraînement fondamental de PixArt-\alpha, il évolue d'un modèle de base "plus faible" vers un modèle "plus fort" en incorporant des données de meilleure qualité, un processus que nous appelons "entraînement de faible à fort". Les avancées de PixArt-\Sigma sont doubles : (1) Données d'entraînement de haute qualité : PixArt-\Sigma intègre des données d'images de qualité supérieure, associées à des légendes d'images plus précises et détaillées. (2) Compression efficace des tokens : nous proposons un nouveau module d'attention dans le cadre DiT qui compresse à la fois les clés et les valeurs, améliorant significativement l'efficacité et facilitant la génération d'images en ultra-haute résolution. Grâce à ces améliorations, PixArt-\Sigma atteint une qualité d'image supérieure et une meilleure adhésion aux prompts utilisateur avec une taille de modèle significativement plus petite (0,6 milliard de paramètres) que les modèles de diffusion texte-image existants, tels que SDXL (2,6 milliards de paramètres) et SD Cascade (5,1 milliards de paramètres). De plus, la capacité de PixArt-\Sigma à générer des images 4K soutient la création d'affiches et de fonds d'écran haute résolution, renforçant efficacement la production de contenu visuel de haute qualité dans des industries telles que le cinéma et le jeu vidéo.

English

In this paper, we introduce PixArt-\Sigma, a Diffusion Transformer model~(DiT) capable of directly generating images at 4K resolution. PixArt-\Sigma represents a significant advancement over its predecessor, PixArt-\alpha, offering images of markedly higher fidelity and improved alignment with text prompts. A key feature of PixArt-\Sigma is its training efficiency. Leveraging the foundational pre-training of PixArt-\alpha, it evolves from the `weaker' baseline to a `stronger' model via incorporating higher quality data, a process we term "weak-to-strong training". The advancements in PixArt-\Sigma are twofold: (1) High-Quality Training Data: PixArt-\Sigma incorporates superior-quality image data, paired with more precise and detailed image captions. (2) Efficient Token Compression: we propose a novel attention module within the DiT framework that compresses both keys and values, significantly improving efficiency and facilitating ultra-high-resolution image generation. Thanks to these improvements, PixArt-\Sigma achieves superior image quality and user prompt adherence capabilities with significantly smaller model size (0.6B parameters) than existing text-to-image diffusion models, such as SDXL (2.6B parameters) and SD Cascade (5.1B parameters). Moreover, PixArt-\Sigma's capability to generate 4K images supports the creation of high-resolution posters and wallpapers, efficiently bolstering the production of high-quality visual content in industries such as film and gaming.