近年来，随着扩散模型在生成任务中的广泛应用，它们已经成为了生成式人工智能领域的重要组成部分。从Stable Diffusion到Sora，这些模型在生成真实图像和视频方面取得了显著成功，标志着从经典U-Net架构向基于Transformer的扩散主干架构的转变。最新的进展是Lumina-T2X系列模型，它通过基于流的大型扩散Transformer（Flag-DiT），实现了图像、视频、音频和3D对象的生成。
一、背景与挑战
虽然诸如Sora和Stable Diffusion这样的模型已经证明了它们在生成高质量图像和视频方面的潜力，但它们通常专注于单一模态的任务，且缺乏详细的实现说明和预训练模型，这限制了它们在社区中的广泛使用。此外，这些模型往往缺乏跨模态的适应性，难以处理多种模态的数据。
二、Lumina-T2X与Flag-DiT
为了解决上述问题，上海AI Lab、香港中文大学和英伟达的研究人员联合推出了Lumina-T2X系列模型，其中包括一个拥有70亿参数的大型扩散Transformer——Flag-DiT，以及一个包含130亿参数的多模态大语言模型SPHINX。
Flag-DiT架构
Flag-DiT基于Diffusion Transformer（DiT）进行了改进，具有出色的稳定性、灵活性和可扩展性。它通过替换LayerNorm为RMSNorm和引入键查询归一化（KQ-Norm），提高了训练的稳定性。此外，Flag-DiT还采用了相对位置编码（RoPE）以支持任意分辨率的图像生成。
Lumina-T2X的整体流程
Lumina-T2X在训练过程中主要由四个组件组成：不同模态的逐帧编码、多种文本编码器进行文本编码、输入和目标构建，以及网络架构和损失函数的定义。这些组件协同工作，确保模型能够有效地处理和生成不同模态的数据。
三、模型能力展示
Lumina-T2X系列模型能够生成高质量的图像、视频、3D对象和语音，实现了真正的“大一统”。例如，Lumina-T2I模型不仅可以生成高质量的图像，还支持分辨率外推、高分辨率编辑、构图生成等功能。
Lumina-T2I的高级应用
Lumina-T2I支持多种高级功能，包括：
实验结果
在ImageNet上的实验显示，Flag-DiT在不使用无分类指导的情况下，FID分数显著降低，证明了增加模型参数可以显著提高样本质量。此外，Flag-DiT的训练效率也得到了提升，每秒可处理更多图像。
四、结论
Lumina-T2X系列模型及其核心组成部分Flag-DiT代表了扩散模型领域的一项重要进展。通过集成图像、视频、音频和3D对象的生成能力，这些模型为研究人员和开发者提供了一个强大的工具箱，用于创建跨模态的生成式应用。
本文转载自，作者：