SDXL Turbo

稳定扩散 XL (SDXL) Turbo 在 Axel Sauer、Dominik Lorenz、Andreas Blattmann 和 Robin Rombach 的 对抗性扩散蒸馏 中被提出。

论文摘要如下：

我们引入了对抗性扩散蒸馏 (ADD)，这是一种新颖的训练方法，可以高效地在仅 1-4 步内对大型基础图像扩散模型进行采样，同时保持高图像质量。我们使用分数蒸馏利用大型现成的图像扩散模型作为教师信号，并结合对抗性损失来确保即使在 1 或 2 步采样这样的低步数情况下也能获得高图像保真度。我们的分析表明，我们的模型在单步情况下明显优于现有的少量步数方法（GAN、潜在一致性模型），并且在仅 4 步内即可达到最先进的扩散模型（SDXL）的性能。ADD 是第一个能够使用基础模型实现单步实时图像合成的技术。

提示

• SDXL Turbo 使用与 SDXL 完全相同的架构，这意味着它也具有相同的 API。请参阅 SDXL API 参考以了解更多详细信息。
• SDXL Turbo 应通过设置 guidance_scale=0.0 来禁用引导比例。
• SDXL Turbo 应为调度器使用 timestep_spacing='trailing'，并使用 1 到 4 步。
• SDXL Turbo 已接受训练以生成 512x512 大小的图像。
• SDXL Turbo 是开放访问的，但不是开源的，这意味着可能需要购买模型许可证才能将其用于商业应用。请务必阅读 官方模型卡 以了解更多信息。

< > 在 GitHub 上更新