Lumina-T2X
Lumina-Next：利用 Next-DiT 增强 Lumina-T2X 的效力和速度，来自 Alpha-VLLM、OpenGVLab、上海人工智能实验室。
论文摘要如下：
Lumina-T2X 是一个新兴的基于流的大型扩散 Transformer (Flag-DiT) 家族，它建立了一个统一的框架，用于将噪声转换为各种模态（例如图像和视频），并以文本指令为条件。尽管具有很有前景的能力，Lumina-T2X 仍然面临着一些挑战，包括训练不稳定、推理速度慢以及外推伪影。在本文中，我们介绍了 Lumina-Next，它是 Lumina-T2X 的改进版本，展示了更强的生成性能，并提高了训练和推理效率。我们首先对 Flag-DiT 架构进行了全面分析，并识别了一些次优组件，我们通过引入 Next-DiT 架构（具有 3D RoPE 和三明治归一化）来解决这些问题。为了实现更好的分辨率外推，我们全面比较了应用于文本到图像生成的 3D RoPE 的不同上下文外推方法，并针对扩散 Transformer 提出了频率和时间感知的缩放 RoPE。此外，我们还引入了一个 sigmoid 时间离散化调度，以减少求解流 ODE 的采样步骤，以及 Context Drop 方法，用于合并冗余的视觉 token 以加快网络评估速度，从而有效地提高整体采样速度。由于这些改进，Lumina-Next 不仅提高了基本文本到图像生成的质量和效率，而且还展示了卓越的分辨率外推能力和使用基于解码器的 LLM 作为文本编码器的零样本多语言生成。为了进一步验证 Lumina-Next 作为通用生成框架的能力，我们在各种任务上对其进行了实例化，包括视觉识别、多视图、音频、音乐和点云生成，展示了在这些领域中的强大性能。通过在 https://github.com/Alpha-VLLM/Lumina-T2X 发布所有代码和模型权重，我们的目标是推动下一代生成式 AI 的发展，使其能够进行通用建模。
亮点：Lumina-Next 是一个下一代扩散 Transformer，通过引入 Next-DiT 架构、3D RoPE 以及频率和时间感知的 RoPE 等改进，显著增强了文本到图像生成、多语言生成以及多任务性能。
Lumina-Next 包含以下组件
- 它通过更少、更快的步骤提高了采样效率。
- 它使用 Next-DiT 作为 Transformer 主干，具有 Sandwichnorm 3D RoPE 和分组查询注意力。
- 它使用频率和时间感知的缩放 RoPE。
Lumina-T2X: 通过基于流的大型扩散 Transformer 将文本转换为任何模态、分辨率和持续时间 来自 Alpha-VLLM、OpenGVLab、上海人工智能实验室。
论文摘要如下：
Sora 展示了扩展扩散 Transformer 生成任意分辨率、纵横比和持续时间的逼真图像和视频的潜力，但它仍然缺乏足够的实现细节。在本技术报告中，我们介绍了 Lumina-T2X 家族 - 一系列配备了零初始化注意力的基于流的大型扩散 Transformer (Flag-DiT)，作为统一的框架设计，用于将噪声转换为图像、视频、多视图 3D 对象和以文本指令为条件的音频剪辑。通过对潜在的时空空间进行标记，并整合可学习的占位符（例如 [nextline] 和 [nextframe] token），Lumina-T2X 无缝地统一了不同模态在各种时空分辨率上的表示。这种统一的方法能够在单个框架内训练不同模态，并允许在推理期间灵活生成任何分辨率、纵横比和长度的多模态数据。RoPE、RMSNorm 和流匹配等先进技术增强了 Flag-DiT 的稳定性、灵活性以及可扩展性，使 Lumina-T2X 的模型能够扩展到 70 亿个参数，并将上下文窗口扩展到 128K 个 token。这对使用 Lumina-T2I 模型创建超高清图像以及使用 Lumina-T2V 模型创建 720p 长视频尤其有利。值得注意的是，由 50 亿参数的 Flag-DiT 提供支持的 Lumina-T2I，其训练计算成本仅为 6 亿参数的朴素 DiT 的 35%。我们进一步的全面分析强调了 Lumina-T2X 在分辨率外推、高分辨率编辑、生成一致的 3D 视图以及合成具有无缝过渡的视频方面的初步能力。我们预计，Lumina-T2X 的开源将进一步促进生成式 AI 社区的创造力、透明度和多样性。
您可以在 Alpha-VLLM 找到原始代码库，以及所有可用的检查点 Alpha-VLLM Lumina 家族。
亮点：Lumina-T2X 支持任何模态、分辨率和持续时间。
Lumina-T2X 包含以下组件
- 它使用基于流的大型扩散 Transformer 作为主干
- 它使用一个主干和相应的编码器、解码器支持不同的任何模态。
此管道由 PommesPeter 贡献。原始代码库可以在 这里 找到。原始权重可以在 hf.co/Alpha-VLLM 下找到。
推理（文本到图像）
使用 torch.compile 降低推理延迟。
首先，加载管道
from diffusers import LuminaText2ImgPipeline
import torch
pipeline = LuminaText2ImgPipeline.from_pretrained(
"Alpha-VLLM/Lumina-Next-SFT-diffusers", torch_dtype=torch.bfloat16
).to("cuda")然后将管道的 transformer 和 vae 组件的内存布局更改为 torch.channels-last
pipeline.transformer.to(memory_format=torch.channels_last) pipeline.vae.to(memory_format=torch.channels_last)
最后，编译组件并运行推理
pipeline.transformer = torch.compile(pipeline.transformer, mode="max-autotune", fullgraph=True)
pipeline.vae.decode = torch.compile(pipeline.vae.decode, mode="max-autotune", fullgraph=True)
image = pipeline(prompt="Upper body of a young woman in a Victorian-era outfit with brass goggles and leather straps. Background shows an industrial revolution cityscape with smoky skies and tall, metal structures").images[0]LuminaText2ImgPipeline
class diffusers.LuminaText2ImgPipeline
< source >( transformer: LuminaNextDiT2DModel scheduler: FlowMatchEulerDiscreteScheduler vae: AutoencoderKL text_encoder: AutoModel tokenizer: AutoTokenizer )
参数
- vae (AutoencoderKL) — 变分自动编码器 (VAE) 模型，用于将图像编码和解码为潜在表示。
- text_encoder (
AutoModel) — 冻结的文本编码器。Lumina-T2I 使用 T5，具体来说是 t5-v1_1-xxl 变体。 - tokenizer (
AutoModel) — 类别 AutoModel 的标记器。 - transformer (Transformer2DModel) — 用于对编码后的图像潜在变量进行去噪的文本条件
Transformer2DModel。 - scheduler (SchedulerMixin) — 用于结合
transformer对编码后的图像潜在变量进行去噪的调度器。
使用 Lumina-T2I 进行文本到图像生成的管道。
此模型继承自 DiffusionPipeline。请查看超类文档以了解库为所有管道实现的通用方法（例如下载或保存、在特定设备上运行等）。
__call__
< 源代码 >( prompt: Union = None width: Optional = None height: Optional = None num_inference_steps: int = 30 timesteps: List = None guidance_scale: float = 4.0 negative_prompt: Union = None sigmas: List = None num_images_per_prompt: Optional = 1 generator: Union = None latents: Optional = None prompt_embeds: Optional = None negative_prompt_embeds: Optional = None prompt_attention_mask: Optional = None negative_prompt_attention_mask: Optional = None output_type: Optional = 'pil' return_dict: bool = True clean_caption: bool = True max_sequence_length: int = 256 scaling_watershed: Optional = 1.0 proportional_attn: Optional = True ) → ImagePipelineOutput 或 元组
参数
- prompt (
str或List[str], 可选) — 指导图像生成的提示或提示。如果未定义，则必须传递prompt_embeds。 取而代之。 - negative_prompt (
str或List[str], 可选) — 不指导图像生成的提示或提示。如果未定义，则必须传递negative_prompt_embeds。 取而代之。 在不使用引导时被忽略（即，如果guidance_scale小于1则被忽略）。 - num_inference_steps (
int, 可选，默认为 30) — 去噪步骤数。更多的去噪步骤通常会导致更高质量的图像，但会以更慢的推理为代价。 - timesteps (
List[int], 可选) — 用于去噪过程的自定义时间步长，适用于在其set_timesteps方法中支持timesteps参数的调度器。如果未定义，将使用传递num_inference_steps时的默认行为。必须按降序排列。 - sigmas (
List[float], 可选) — 用于去噪过程的自定义西格玛，适用于在其set_timesteps方法中支持sigmas参数的调度器。如果未定义，将使用传递num_inference_steps时的默认行为。 - guidance_scale (
float, 可选, 默认值为 4.0) — 如 Classifier-Free Diffusion Guidance 中所定义的引导比例。guidance_scale被定义为 Imagen 论文 中方程 2 的w。通过设置guidance_scale > 1可以启用引导比例。更高的引导比例鼓励生成与文本prompt密切相关的图像，通常以降低图像质量为代价。 - num_images_per_prompt (
int, 可选, 默认值为 1) — 每个提示生成图像的数量。 - height (
int, 可选, 默认值为 self.unet.config.sample_size) — 生成的图像的高度（以像素为单位）。 - width (
int, 可选, 默认值为 self.unet.config.sample_size) — 生成的图像的宽度（以像素为单位）。 - eta (
float, 可选, 默认值为 0.0) — 对应于 DDIM 论文中的参数 eta (η)：https://arxiv.org/abs/2010.02502。仅适用于 schedulers.DDIMScheduler，其他情况将被忽略。 - generator (
torch.Generator或List[torch.Generator], 可选) — 一个或多个 torch 生成器 用于使生成确定性。 - latents (
torch.Tensor, 可选) — 预先生成的噪声潜在变量，从高斯分布采样，用作图像生成的输入。可用于使用不同的提示微调相同的生成。如果未提供，则会使用提供的随机generator采样来生成潜在变量张量。 - prompt_embeds (
torch.Tensor, 可选) — 预先生成的文本嵌入。可用于轻松调整文本输入，例如 提示加权。如果未提供，文本嵌入将从prompt输入参数生成。 - prompt_attention_mask (
torch.Tensor, 可选) — 预先生成的文本嵌入的注意力掩码。 - negative_prompt_embeds (
torch.Tensor, 可选) — 预先生成的负文本嵌入。对于 Lumina-T2I，此负提示应为 ""。如果未提供，则会从negative_prompt输入参数生成negative_prompt_embeds。 - return_dict (
bool, 可选, 默认为True) — 是否返回~pipelines.stable_diffusion.IFPipelineOutput而不是普通元组。 - clean_caption (
bool, 可选, 默认为True) — 是否在创建嵌入之前清理标题。需要安装beautifulsoup4和ftfy。如果未安装依赖项，则将从原始提示创建嵌入。 - max_sequence_length (
int默认为 120) — 与prompt一起使用的最大序列长度。 - callback_on_step_end (
Callable, 可选) — 在推理过程中每次去噪步骤结束时调用的函数。该函数使用以下参数调用：callback_on_step_end(self: DiffusionPipeline, step: int, timestep: int, callback_kwargs: Dict)。callback_kwargs将包含由callback_on_step_end_tensor_inputs指定的所有张量列表。 - callback_on_step_end_tensor_inputs (
List, 可选) —callback_on_step_end函数的张量输入列表。列表中指定的张量将作为callback_kwargs参数传递。您只能包含管道类._callback_tensor_inputs属性中列出的变量。
返回值
ImagePipelineOutput 或 tuple
如果 return_dict 为 True，则返回 ImagePipelineOutput，否则返回 tuple，其中第一个元素是包含生成的图像的列表
在调用管道进行生成时调用的函数。
示例
>>> import torch
>>> from diffusers import LuminaText2ImgPipeline
>>> pipe = LuminaText2ImgPipeline.from_pretrained(
... "Alpha-VLLM/Lumina-Next-SFT-diffusers", torch_dtype=torch.bfloat16
... ).cuda()
>>> # Enable memory optimizations.
>>> pipe.enable_model_cpu_offload()
>>> prompt = "Upper body of a young woman in a Victorian-era outfit with brass goggles and leather straps. Background shows an industrial revolution cityscape with smoky skies and tall, metal structures"
>>> image = pipe(prompt).images[0]encode_prompt
< source >( prompt: Union do_classifier_free_guidance: bool = True negative_prompt: Union = None num_images_per_prompt: int = 1 device: Optional = None prompt_embeds: Optional = None negative_prompt_embeds: Optional = None prompt_attention_mask: Optional = None negative_prompt_attention_mask: Optional = None clean_caption: bool = False **kwargs )
参数
- prompt (
str或List[str], 可选) — 要编码的提示 - negative_prompt (
str或List[str], 可选) — 用于指导图像生成的负面提示。如果未定义，则必须传递negative_prompt_embeds。在不使用引导的情况下会被忽略（即，如果guidance_scale小于1则会被忽略）。对于 Lumina-T2I，这应该为空字符串。 - do_classifier_free_guidance (
bool, 可选，默认值为True) — 是否使用无分类器引导 - num_images_per_prompt (
int, 可选，默认值为 1) — 每个提示应生成的图像数量 device — (torch.device, 可选): 将结果嵌入放置的 torch 设备 - prompt_embeds (
torch.Tensor, 可选) — 预生成的文本嵌入。可用于轻松调整文本输入，例如提示权重。如果未提供，则文本嵌入将从prompt输入参数生成。 - negative_prompt_embeds (
torch.Tensor, 可选) — 预生成的负面文本嵌入。对于 Lumina-T2I，它应该是空字符串的嵌入。 - clean_caption (
bool，默认为False) — 如果为True，则该函数将在编码之前预处理并清理提供的标题。 - max_sequence_length (
int，默认为 256) — 用于提示的最大序列长度。
将提示编码为文本编码器隐藏状态。