会员服务 ·

CVPR 2022｜39亿参数模型公开可用，采样速度7倍提升，残差量化生成图片开源

2022 年 3 月 27 日 极市平台

↑ 点击蓝字关注极市平台

来源丨机器之心

编辑丨极市平台

极市导读

基于残差量化的自回归图像生成，官方已将代码公开。 >>加入极市CV技术交流群，走在计算机视觉的最前沿

向量量化（Vector quantization，VQ）已经成为自回归（AR）模型生成高分辨率图像的一种基本技术，具体来说，该技术将图像特征图通过 VQ 量化后，再进行光栅扫描等排序，之后将图像表示为离散编码序列。量化后，训练的 AR 模型对序列中的编码进行序列预测。也就是说，AR 模型可以生成高分辨率的图像，而无需预测图像中的全部像素。

我们假设减少编码的序列长度对于图像的 AR 建模很重要。短编码序列可以显着降低 AR 模型的计算成本，因为 AR 通常使用先前位置的编码来预测下一个编码。然而，以前的研究由于图像的序列长度问题在速率 - 失真（rate-distortion）不能很好的权衡。也就是说，VQ-VAE 需要呈指数增长的编码簿 (Codebook)大小来降低量化特征图的分辨率，同时保持重建图像的质量。然而，巨大的编码簿会导致模型参数增加和编码簿崩溃，使得 VQ-VAE 的训练不稳定。

来自 Kakao Brain 、韩国浦项科技大学的研究者提出了一种残差量化 VAE (RQ-VAE)方法，它使用残差量化 (RQ) 来精确逼近特征图并降低其空间分辨率。RQ 没有增加编码簿大小，而是使用固定大小的编码簿以从粗到细的方式递归量化特征图。在 RQ 的 D 次迭代之后，特征图表示为 D 个离散编码的堆叠图。由于 RQ 可以组成与编码簿大小一样多的向量，因此 RQ-VAE 可以精确地逼近特征图，同时保留编码图像的信息，而无需庞大的编码簿。由于精确的近似，RQ-VAE 可以比以前的研究 [14,37,45] 进一步降低量化特征图的空间分辨率。例如， RQ-VAE 可以使用 8×8 分辨率的特征图对 256×256 图像进行 AR 建模。该论文已被 CVPR'22 接收。

论文地址：https://arxiv.org/pdf/2203.01941.pdf

此外，该研究还提出了 RQ-Transformer 来预测 RQ-VAE 提取的编码。对于 RQ-Transformer 的输入，该研究首先将 RQ-VAE 中的量化特征映射转换为特征向量序列；然后，RQ-Transformer 预测下一个 D 编码，以估计下一个位置的特征向量。由于 RQ-VAE 降低了特征图的分辨率，RQ-Transformer 可以显着降低计算成本并轻松学习输入的远程交互。该研究还为 RQ-Transformer 提出了两种训练技术，软标签（soft labeling）和用于 RQ-VAE 编码的随机采样。通过解决 AR 模型训练中的曝光偏差（exposure bias）进一步提高了 RQ-Transformer 的性能。

值得一提的是，该研究近日发布了在 30M 文本图像对上训练的 3.9B 参数的 RQ-Transformer 。据了解，这是公共可用模型中最大的文本到图像 (T2I) 模型。不过这一结果没有出现在该论文中。具体内容可参考 GitHub。

代码地址：https://github.com/kakaobrain/rq-vae-transformer

如下图所示，该模型可以生成高质量的图像。

3.9B 参数的 RQ-Transformer 生成结果，画框里带着眼镜的猫：

生成沙漠上的埃菲尔铁塔：

方法概述

研究者提出了用于图像 AR 建模的 RQ-VAE 和 RQ-Transformer 两阶段框架，如下图 2 所示。RQ-VAE 使用编码簿将图像表示为 D 个离散码的堆叠图。然后，使用 RQ-Transformer 自回归预测下一个空间位置的下一个 D 码。他们还解释了使用 RQ-Transformer 解决 AR 模型训练中的曝光偏差问题。

阶段 1：残差量化 VAE

研究者首先介绍 VQ 和 VQVAE 的表达方式，然后提出了 RQ-VAE，它可以在不增加编码簿大小的情况下精确地逼近特征图。他们解释了如何将图像表示为离散码的堆叠图。

和 -VAE 的表达。令编码簿C为一个有限集 , 它包含了成对的代码和代码嵌 , 其中K是编码簿大小, 是代码嵌入的维数。

考虑到一个向量表示的 , 这个代码的嵌入离最近, 如下公式 (1) 所示。

在将图像编码为离散码图后，VQ-VAE 从编码码图重建原始图像。

对于残差量化，研究者没有增加编码簿大小，而是采用残差量化（RQ）来离散化向量 z。给定一个量化深度 D，RQ 将 z 表示为一个有序的 D 码，如下公式（3）所示。

RQ-VAE。在上图 2 中，研究者提出 RQ-VAE 来精确量化图像的特征图。RQ-VAE 也是由 VQ-VAE 的编解码器架构组成，不过 VQ 模块被上面的 RQ 模块所取代。

具体而言，深度为 D 的 RQ-VAE 将特征图 Z 表示为代码 M ϵ [K]^H×W×D 的堆叠图，并提取了，成为 d ϵ [D]的深度为 D 的量化特征图，得到如下公式（5）。

RQ-VAE 使 AR 模型以低计算成本有效地生成高分辨率图像。对于固定的下采样因子 f，RQ-VAE 可以产生比 VQ-VAE 更逼真的重建结果，这是因为 RQ-VAE 使用给定的编码簿大小精确地逼近特征图。

阶段 2：RQ-Transformer

研究者展示了 RQ-Transformer 如何自回归地预测 RQ-VAE 的代码堆栈。在对 RQVAE 提取的代码的进行 AR 建模之后，他们介绍 RQ-Transformer 如何有效地学习离散代码的堆叠图。此外，研究者还解释了 RQ-Transformer 的训练技术，以防止 AR 模型训练中出现曝光偏差。

深度为 D 的代码的 AR 建模。在 RQ-VAE 提取代码映射 M ϵ ^[K] H×W×D 后，光栅扫描顺序（raster scan order）将 M 的空间索引重新排列为代码 S ϵ [ K]^T ×D 的二维数组，其中 T = HW。也就是说，S_t 是 S 的第 t 行，并包含了 D 个代码，如下公式（8）所示。

如上图 2 所示，RQ-Transformer 由空间 transformer 和深度 transformer 组成。空间 transformer 是带掩码自注意力块的堆叠，用于提取一个总结先前位置信息的上下文向量。给定上下文向量 h_t，深度 transformer 自回归预测位置 t 处的 D 个代码 (S_t1,····,S_tD)。

软标签和随机抽样。研究者提议对来自 RQ-VAE 的代码进行软标签和随机采样，以解决暴露偏差。

实验结果

无条件图像生成

该研究在 LSUN-{cat, bedroom, church}和 FFHQ 数据集上评估了无条件图像生成的质量。表 1 显示，RQ-Transformer 模型在无条件生成图像方面优于其他 AR 模型。对于小规模数据集，如 LSUN-church 和 FFHQ，RQ-Transformer 小幅度优于 DCT 和 VQ-GAN。对于更大规模的数据集，如 LSUN-{cat, bedroom}，RQ-Transformer 明显优于其他 AR 模型和基于扩散的模型。

该研究推测性能的提高来自于 RQ-VAE 较短的序列长度，因为 SQ-Transformer 可以很容易地在较短的序列长度内学习编码间的长程交互。图 3 前两行展示了 RQ-Transformer 可以无条件生成高质量图像。

有条件图像生成

该研究分别使用 ImageNet 和 CC-3M 进行类和文本条件的图像生成。如表 2 所示，RQ-Transformer 在 ImageNet 上的性能明显优于以前的模型。RQ-Transformer（480M 参数）与以往 AR 模型具有竞争力，包括 VQ-VAE2， DCT，和 VQ-GAN，虽然 RQ-Transformer 比 VQ-GAN 少 3 倍的参数。此外，具有 821M 参数的 RQ-Transformer 在没有拒绝采样的情况下优于以往的 AR 模型。

具有 1.4B 参数的 RQ-Transformer 在没有拒绝采样的情况下达到 11.56 的 FID 分数。当将 RQ-VAE 的训练 epoch 从 10 增加到 50 时，1.4B 参数的 RQ-Transformer 进一步提高了性能，达到了 8.71 FID 分数。此外，当研究者进一步将参数数量增加到 3.8B 时，RQ-Transformer 在没有拒绝采样的情况下达到了 7.55 的 FID 分数，并且可以与 BigGAN 竞争。

RQ-Transformer 还可以根据 CC-3M 的各种文本条件生成高质量图像。RQ-Transformer 在参数数量相似的情况下明显高于 VQ-GAN 的性能。图 3 显示在 CC-3M 上训练的 RQ-Transformer 可以使用各种文本条件生成高质量的图像。

RQ-Transformer 的计算效率

图 4 评估了 RQ-Transformer 的采样速度，并与 VQ-GAN 进行了比较，两种模型参数均为 1.4B。VQ-GAN 和 RQ-Transformer 的输入分别设置为 16×16×1 和 8×8×4。每个模型使用单块 NVIDIA A100 GPU 生成 5000 个样品，批量大小分别为 100、200 和 500。

对于 100 和 200 的批量大小，与 VQ-GAN 相比，RQ-Transformer 显示出 4.1 倍和 5.6 倍的加速。此外，由于 RQ-VAE 的短序列长度节省了内存，RQ-Transformer 可以将批量大小增加到 500，而 VQ-GAN 是不允许的。因此，RQ-Transformer 可以进一步加快采样速度，每张图像为 0.02 秒，比批量大小为 200 的 VQ-GAN 快 7.3 倍。因此，RQ-Transformer 比以前的 AR 模型在计算上更高效，同时实现高分辨率图像生成基准的最新结果。