Stability AI 最近发布了他们最强的图片生成模型 Stable Diffusion3（SD3） 的技术报告，披露了 SD3的更多细节。据 Stability AI 所说，SD3在排版质量、美学质量和提示词理解上超过了目前所有的开源模型和商业模型，是目前最强的图片生成模型。
技术报告要点如下:
根据人类偏好评估，SD3在排版质量和对提示的理解程度上，均优于目前最先进的文本生成图像系统，例如 DALL·E3、Midjourney v6和 Ideogram v1。
报告提出了新的多模态扩散 Transformer （Multimodal Diffusion Transformer， 简称 MMDiT） 架构，其使用独立的权重集分别表示图像和语言。与 SD3的先前版本相比，该架构改善了系统对文本的理解能力和拼写能力。
SD38B 大小的模型可以在 GTX409024G 显存上运行。此外，SD3将发布多个参数规模不等的模型方便在消费级硬件上运行，参数规模从800M 到8B。
SD3架构以 Diffusion Transformer （简称"DiT"，参见 Peebles & Xie，2023）为基础。鉴于文本嵌入和图像嵌入在概念上存在较大差异，他们为这两种模态使用了独立的权重集。通过这种方法，信息得以在图像 Token 和文本 Token 之间流动，从而提高了模型生成结果的整体理解力和排版质量。
SD3采用了矫正流 （Rectified Flow， 简称 RF） 的公式，在训练过程中，数据和噪声被连接在一条线性轨迹上。这导致了更直的推理路径，从而可以使用更少的步骤进行采样。
他们还进行了扩展矫正流 Transformer 模型的研究，使用重新加权的 RF 公式和 MMDiT 主干网络，训练了一系列模型，其规模从15个 Transformer 块 （4.5亿参数） 到38个块 (80亿参数) 不等。
SD3还引入了灵活的文本编码器，通过在推理阶段移除内存密集型的 T5文本编码器（参数量高达47亿），SD3的内存占用可以大幅降低，而性能损失却很小。
总的来说，Stability AI 的这一技术报告揭示了 SD3的强大功能和细节，显示出其在图片生成领域的领先地位。
详细内容点此查看：https://stability.ai/news/stable-diffusion-3-research-paper