2022/03/27 12:42

杜伟、陈萍机器之心报道

39亿参数模型公开可用，采样速度7倍提升，残差量化生成图片入选CVPR'22

基于残差量化的自回归图像生成，官方已将代码公开。

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。

论文中生成图像的例子

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。

VQ 和 VQ-VAE 的表达。令编码簿C为一个有限集

，它包含了成对的代码k和代码嵌入

，其中K是编码簿大小，n_z是代码嵌入的维数。

考虑到一个向量 z ϵ R^nz，

表示 z 的 VQ，这个代码的嵌入离 z 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。

入门残差量化图像生成模型

相关数据

基准技术

一种简单的模型或启发法，用作比较模型效果时的参考点。基准有助于模型开发者针对特定问题量化最低预期效果。

来源：Google ML Glossary

参数技术

在数学和统计学裡，参数（英语：parameter）是使用通用变量来建立函数和变量之间关系（当这种关系很难用方程来阐述时）的一个数量。

来源：维基百科

映射技术

映射指的是具有某种特殊结构的函数，或泛指类函数思想的范畴论中的态射。逻辑和图论中也有一些不太常规的用法。其数学定义为：两个非空集合A与B间存在着对应关系f，而且对于A中的每一个元素x，B中总有有唯一的一个元素y与它对应，就这种对应为从A到B的映射，记作f：A→B。其中，y称为元素x在映射f下的象，记作：y=f(x)。x称为y关于映射f的原象*。*集合A中所有元素的象的集合称为映射f的值域，记作f(A)。同样的，在机器学习中，映射就是输入与输出之间的对应关系。

来源：Wikipedia

图像生成技术

图像生成（合成）是从现有数据集生成新图像的任务。

来源：paperswithcode

拒绝采样技术

在数学中，拒绝抽样是用来从分布产生观测值的基本技术。它也被称为接受拒绝方法或“接受 - 拒绝算法”，是一种蒙特卡罗方法

来源：Wikipedia

堆叠技术

堆叠泛化是一种用于最小化一个或多个泛化器的泛化误差率的方法。它通过推导泛化器相对于所提供的学习集的偏差来发挥其作用。这个推导的过程包括：在第二层中将第一层的原始泛化器对部分学习集的猜测进行泛化，以及尝试对学习集的剩余部分进行猜测，并且输出正确的结果。当与多个泛化器一起使用时，堆叠泛化可以被看作是一个交叉验证的复杂版本，利用比交叉验证更为复杂的策略来组合各个泛化器。当与单个泛化器一起使用时，堆叠泛化是一种用于估计（然后纠正）泛化器的错误的方法，该泛化器已经在特定学习集上进行了训练并被询问了特定问题。

来源：Wolpert, D. H. (1992). Stacked generalization. Neural networks, 5(2), 241-259

量化技术

深度学习中的量化是指，用低位宽数字的神经网络近似使用了浮点数的神经网络的过程。

来源：Medium