论文： 《SDXL: Improving Latent Diffusion Models for High-Resolution Image Synthesis》
github： https://github.com/Stability-AI/generative-models

1. 摘要

SDXL，用于文生图，与之前SD相比，SDXL使用3倍大的UNet backbone：归因于更多的attention block、更大的cross-attention。作者设计多种新颖条件机制，同时引入一个精细化模块用于提升生成图片保真度。与之前版本SD相比，SDXL大大提升了性能。

2. 算法：

SDXL整体结构如图1所示。

2.1 结构：

扩散生成模型主要使用UNet结构，随着DM发展，网络结构发生变化：从增加self-attention、改进上采样层，增加cross-attention到基于transformer的结构。
为了高效，作者移除最浅特征层中transformer block，中间层使用transformer block数量设置为2和10，移除最深特征层（8倍降采样层），如表1作者与SD1.x及x2.x进行比较。

同时作者使用更强大预训练文本编码器，将OpenCLIP ViT-bigG与CLIP ViT-L倒数第二输出层进行concat。除了增加cross-attention层约束输入文本，另外将合并的文本编码作为模型条件输入，由此导致模型参数量达到2.6B，其中文本编码器器817M。

2.2 微小的条件机制

LDM的显著缺点为：训练模型需要比较小的图像大小，归因于其二阶段结构。对于该问题，一种方案为丢弃训练集中某一分辨率以下图片，比如：Stable Diffusion 1.4/1.5中512分辨率以下图片；另一种为过小图片进行上采样。然而前者将导致训练集大量数据丢弃，后者上采样过程引入人工因素，导致模型输出模糊样本。
作者使用原始图片分辨率$c_{size}=(h_{original},w_{original})$作为Unet条件输入，具体地，使用傅里叶特征将图片编码，concat为向量，该向量与timestep embedding相加。该过程如算法1

推理时，用户可设置所需图像分辨率尺度，如图3，随着图像尺寸提升，图片质量提升。

作者比较仅使用512 * 512分辨率以上数据集（CIN-512-only）、所有数据（CIN-nocond）、增加分辨率条件（CIN-size-cond），结果如表2，

基于裁剪参数调节模型

如图4前两行，之前模型生成目标可能被裁剪，这由于训练过程使用随机裁剪，为对齐batch中数据尺寸。为解决此问题，作者在加载数据过程，使用均匀采样裁剪坐标$c_{top}、c_{left}$（距离左上角点距离），并将其作为条件参数通过傅里叶特征编码送入模型。该过程如算法1所示。推理时设置$(c_{top},c_{left})=(0,0)$可生成目标在图中心的样本，如图5所示。

2.3 多宽高比训练

当前文生图模型所生成图片为正方形，512 * 512或1024 * 1024，与真实图片存在差异。对此作者使用多种宽高比图片进行训练，但像素总量接近1024*1024，宽、高为64倍数。
预训练阶段使用固定宽高比及分辨率，只有在finetune阶段使用多种宽高比训练；

2.4 改进自编码器

作者训练与原始Stable Diffusion相同网络结构的自编码器，额外增加跟踪权重的指数滑动平均，实验结果如表3，SD-VAE 2.x为改进后结果。

2.5 所有组合放到一起

作者训练最终模型SDXL，使用2.4节提到的自编码器。
首先进行预训练基础模型，使用内部数据集，宽高分布如图2，训练时使用分辨率256*256，同时使用size及crop condition，如2.2节所述；之后在512 * 512图片上进一步训练；最后在1024 * 1024分辨率，基于不同宽高比进行训练。

精细化阶段
如图6，作者发现有些生成样本局部质量低，对此作者基于高质量、高分辨率数据在隐空间单独训练LDM，如SDEdit所提，利用基础模型生成隐向量进行加噪降噪处理。推理时，如图1，渲染来自基础SDXL模型的隐向量，基于该向量，使用同一文本输入，利用精细化模型进行扩散去噪。可视化结果如图6、13。

生成图片用户评估结果如图1左，该精细化模块作用明显。但在FID、CLIP指标上，与文本越一致样本，指标反而低于SD-1.5、SD-2.1，如图12，作者分析Kirstain等人证明COCO zero-shot FID得分与视觉评估负相关，应以人工评估为准，作者实验与此一致。

2.6 主流方案比较

图8为各种主流生成方案结果比较

3. 未来工作

单阶段：SDXL为二阶段方法，需要额外精细化模型，增加内存及采样速度，未来研究单阶段方案；
文本合成：较大的文本编码器，相对于之前SD模型，提升了文本表达能力，但是插入token或者放大模型可能也会有帮助；
结构：作者实验了基于transformer的结构：UViT、DiT，但是没有增益，需要进一步研究超参；
蒸馏：SDXL生成质量虽然提升，但是推理成本增加，未来借助蒸馏降低该成本；

模型训练过程是离散的且需要偏离噪声，Karras等人提出的EDM框架可能是未来模型训练方案，时间连续、采样灵活、无需噪声纠正机制。

4. 限制

1. 对于生成复杂结构充满挑战，比如人手，如图7所示。虽然使用很多训练数据，但是人体结构复杂性导致难以获得准确表征一致性，这可能由于图中手及相似目标具有比较高方差，难以建模；
   
2. 某些细微差别，如微妙的灯光效果或微小的纹理变化导致生成图像不真实；
3. 当前模型训练依赖大规模数据集，可能引入社会种族问题，生成图像进而存在该问题；
4. 当样本包含多个目标时，模型存在“concept bleeding”现象，即不同元素出现合并或堆叠，如图14。该问题可能由于文本编码器导致，所有信息压缩到单个token，难以联系到合适目标及属性，Feng等人通过单词关系编码解决；对抗损失也可导致此现象，由于不同联系的负样本出现在同一batch；
   
5. 呈现长且易读文本存在困难，如图8，克服此问题需要进一步强化模型文本生成能力；