HART麻省理工学院推出的自回归视觉生成模型

HART麻省理工学院推出的自回归视觉生成模型

🚀 快速阅读

高分辨率图像生成：HART能够直接生成1024×1024像素的高分辨率图像。
图像质量提升：基于混合Tokenizer技术，HART在图像重建和生成质量上超越传统自回归模型。
计算效率优化：在保持高图像质量的同时，显著提高计算效率，降低训练成本和推理延迟。

正文（附运行示例）

HART 是什么

HART（Hybrid Autoregressive Transformer）是麻省理工学院研究团队推出的自回归视觉生成模型。该模型能够直接生成1024×1024像素的高分辨率图像，其生成质量可与扩散模型相媲美。HART的核心技术在于其混合Tokenizer，这种技术将自动编码器的连续潜在表示分解为离散token和连续token。离散token负责捕捉图像的主要结构，而连续token则专注于细节。

HART的轻量级残差扩散模块仅用3700万参数，大幅提升了计算效率。在MJHQ-30K数据集上，HART将重构FID从2.11降至0.30，生成FID从7.85降至5.38，提升了31%。此外，HART在吞吐量上比现有扩散模型提高了4.5-7.7倍，MAC降低6.9-13.4倍。

HART 的主要功能

• 高分辨率图像生成：直接生成1024×1024像素的高分辨率图像，满足高质量视觉内容的需求。
• 图像质量提升：基于混合Tokenizer技术，HART在图像重建和生成质量上超越传统的自回归模型，与扩散模型相媲美。
• 计算效率优化：在保持高图像质量的同时，显著提高计算效率，降低训练成本和推理延迟。
• 自回归建模：基于自回归方法，逐步生成图像，支持对生成过程进行更精细的控制。

HART 的技术原理

• 混合Tokenizer：HART的核心是混合Tokenizer，将自动编码器的连续潜在表示分解为离散token和连续token。离散token负责捕捉图像的主要结构，连续token专注于细节。
• 离散自回归模型：离散部分由一个可扩展分辨率的离散自回归模型建模，支持模型在不同分辨率下生成图像。
• 轻量级残差扩散模块：连续部分由一个轻量级的残差扩散模块学习，该模块只有3700万个参数，有助于提高模型的效率。
• 效率与性能平衡：HART在FID和CLIP分数上优于现有的扩散模型，在吞吐量上提高了4.5-7.7倍，MAC降低6.9-13.4倍，实现效率与性能的良好平衡。
• 自回归生成：HART基于自回归方法，逐步生成图像，每一步都基于前一步的输出，支持模型在生成过程中逐步细化图像细节。

如何运行 HART

环境设置

首先，克隆HART的GitHub仓库并设置环境：

git clone https://github.com/mit-han-lab/hart
cd hart
conda create -n hart python=3.10
conda activate hart
conda install -c nvidia cuda-toolkit -y
pip install -e .
cd hart/kernels && python setup.py install

下载模型和Tokenizer

下载Qwen2-VL-1.5B-Instruct模型和HART tokenizer及模型：

git clone https://huggingface.co/mit-han-lab/Qwen2-VL-1.5B-Instruct
git clone https://huggingface.co/mit-han-lab/hart-0.7b-1024px

运行Gradio Demo

使用以下命令启动Gradio demo：

python app.py --model_path /path/to/model \\
   --text_model_path /path/to/Qwen2 \\
   --shield_model_path /path/to/ShieldGemma2B

命令行推理

1. 使用单个提示生成图像：

python sample.py --model_path /path/to/model \\
   --text_model_path /path/to/Qwen2 \\
   --prompt \"YOUR_PROMPT\" \\
   --sample_folder_dir /path/to/save_dir \\
   --shield_model_path /path/to/ShieldGemma2B

1. 使用多个提示生成图像：

python sample.py --model_path /path/to/model \\
   --text_model_path /path/to/Qwen2 \\
   --prompt_list [Prompt1, Prompt2, ..., PromptN] \\
   --sample_folder_dir /path/to/save_dir \\
   --shield_model_path /path/to/ShieldGemma2B

延迟基准测试

使用以下命令进行延迟基准测试：

python latency_profile.py --model_path /path/to/model \\
   --text_model_path /path/to/Qwen2

资源

• 项目官网：https://hanlab.mit.edu/projects/hart
• GitHub 仓库：https://github.com/mit-han-lab/hart
• arXiv 技术论文：https://arxiv.org/pdf/2410.10812
• 在线体验Demo：https://hart.mit.edu/