InstaFlow：一步即足以实现高质量的基于扩散模型的文本到图像生成

扩散模型以其卓越的质量和创造力革新了文本到图像生成。然而，其多步采样过程众所周知地缓慢，常常需要数十次推理步骤才能获得令人满意的结果。先前通过蒸馏来提升采样速度并降低计算成本的尝试，均未能成功实现可用的一步模型。在本文中，我们探索了一种近期被称为 Rectified Flow 的方法，该方法迄今为止仅应用于小规模数据集。Rectified Flow 的核心在于其 reflow 过程，该过程拉直概率流的轨迹，精炼噪声与图像之间的耦合，并促进以学生模型进行的蒸馏过程。我们提出了一种新颖的文本条件流水线，将 Stable Diffusion (SD) 转化为超快的一步模型，其中我们发现 reflow 在改善噪声与图像之间的对应关系中起着关键作用。利用我们的新流水线，我们创建了——据我们所知——首个具有 SD 级图像质量的基于扩散模型的一步文本到图像生成器，在 MS COCO 2017-5k 上取得了 $23.3$ 的 FID (Frechet Inception Distance)，显著超越了先前的 state-of-the-art 技术渐进式蒸馏（$37.2$ $\rightarrow$ $23.3$ 的 FID）。通过使用具有 1.7B 参数的扩展网络，我们进一步将 FID 提升至 $22.4$。我们将我们的一步模型称为 InstaFlow。在 MS COCO 2014-30k 上，InstaFlow 仅在 $0.09$ 秒内取得 $13.1$ 的 FID，在 $\leq 0.1$ 秒区间内最佳，优于近期的 StyleGAN-T（$0.1$ 秒内 $13.9$）。值得注意的是，InstaFlow 的训练仅耗费 199 A100 GPU 天。代码与预训练模型可在 \url{github.com/gnobitab/InstaFlow} 获取。