Dc Ae F32c32 Sana 1.1 Diffusers

📚 ドキュメント

概要

我々は、高解像度拡散モデルを高速化するための新しいオートエンコーダモデルのファミリーである Deep Compression Autoencoder (DC - AE) を提案します。既存のオートエンコーダモデルは、中程度の空間圧縮率（例えば、8倍）では印象的な結果を示しますが、高い空間圧縮率（例えば、64倍）では十分な再構成精度を維持できません。我々は、この課題に対して2つの重要な技術を導入します。(1) Residual Autoencoding：空間 - チャネル変換された特徴に基づいて残差を学習するようにモデルを設計し、高い空間圧縮率のオートエンコーダの最適化の難しさを軽減します。(2) Decoupled High - Resolution Adaptation：高い空間圧縮率のオートエンコーダの汎化ペナルティを軽減するための効率的な3段階の訓練戦略です。これらの設計により、我々は再構成品質を維持しながら、オートエンコーダの空間圧縮率を最大128倍に向上させます。我々の DC - AE を潜在拡散モデルに適用することで、精度を低下させることなく大幅な高速化を達成します。例えば、ImageNet 512x512 では、広く使用されている SD - VAE - f8 オートエンコーダと比較して、UViT - H で H100 GPU 上で19.1倍の推論速度向上と17.9倍の訓練速度向上を達成し、より良い FID を達成します。

💻 使用例

基本的な使用法

Deep Compression Autoencoder

# build DC-AE models
# full DC-AE model list: https://huggingface.co/collections/mit-han-lab/dc-ae-670085b9400ad7197bb1009b
from efficientvit.ae_model_zoo import DCAE_HF

dc_ae = DCAE_HF.from_pretrained(f"mit-han-lab/dc-ae-f64c128-in-1.0")

# encode
from PIL import Image
import torch
import torchvision.transforms as transforms
from torchvision.utils import save_image
from efficientvit.apps.utils.image import DMCrop

device = torch.device("cuda")
dc_ae = dc_ae.to(device).eval()

transform = transforms.Compose([
    DMCrop(512), # resolution
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)),
])
image = Image.open("assets/fig/girl.png")
x = transform(image)[None].to(device)
latent = dc_ae.encode(x)
print(latent.shape)

# decode
y = dc_ae.decode(latent)
save_image(y * 0.5 + 0.5, "demo_dc_ae.png")

Efficient Diffusion Models with DC - AE

# build DC-AE-Diffusion models
# full DC-AE-Diffusion model list: https://huggingface.co/collections/mit-han-lab/dc-ae-diffusion-670dbb8d6b6914cf24c1a49d
from efficientvit.diffusion_model_zoo import DCAE_Diffusion_HF

dc_ae_diffusion = DCAE_Diffusion_HF.from_pretrained(f"mit-han-lab/dc-ae-f64c128-in-1.0-uvit-h-in-512px-train2000k")

# denoising on the latent space
import torch
import numpy as np
from torchvision.utils import save_image

torch.set_grad_enabled(False)
device = torch.device("cuda")
dc_ae_diffusion = dc_ae_diffusion.to(device).eval()

seed = 0
torch.manual_seed(seed)
torch.cuda.manual_seed_all(seed)
eval_generator = torch.Generator(device=device)
eval_generator.manual_seed(seed)

prompts = torch.tensor(
    [279, 333, 979, 936, 933, 145, 497, 1, 248, 360, 793, 12, 387, 437, 938, 978], dtype=torch.int, device=device
)
num_samples = prompts.shape[0]
prompts_null = 1000 * torch.ones((num_samples,), dtype=torch.int, device=device)
latent_samples = dc_ae_diffusion.diffusion_model.generate(prompts, prompts_null, 6.0, eval_generator)
latent_samples = latent_samples / dc_ae_diffusion.scaling_factor

# decode
image_samples = dc_ae_diffusion.autoencoder.decode(latent_samples)
save_image(image_samples * 0.5 + 0.5, "demo_dc_ae_diffusion.png", nrow=int(np.sqrt(num_samples)))

🔖 参考文献

もし DC - AE があなたの研究に有用または関連する場合、以下の論文を引用することで我々の貢献を認識していただけると幸いです。

@article{chen2024deep,
  title={Deep Compression Autoencoder for Efficient High-Resolution Diffusion Models},
  author={Chen, Junyu and Cai, Han and Chen, Junsong and Xie, Enze and Yang, Shang and Tang, Haotian and Li, Muyang and Lu, Yao and Han, Song},
  journal={arXiv preprint arXiv:2410.10733},
  year={2024}
}

📄 ライセンス

このプロジェクトは MIT ライセンスの下で公開されています。