Stable Diffusion 3论文终于发布，架构细节大揭秘，对复现Sora有帮助？

Stable Diffusion 3 的论文终于来了！

这个模型于两周前发布，采用了与 Sora 相同的 DiT（Diffusion Transformer）架构，一经发布就引起了不小的轰动。

与之前版本相比，Stable Diffusion 3 生成的图质量有了显著提升，现在支持多主题提示，并且文字书写效果也得到了改善，不再出现乱码情况。

Stability AI 指出，Stable Diffusion 3 是一个系列模型，其参数量从800M到8B不等。这一参数范围意味着该模型可以在许多便携设备上直接运行，从而显著降低了使用AI大型模型的门槛。

在最新发布的论文中，Stability AI 表示，在基于人类偏好的评估中，Stable Diffusion 3 优于当前最先进的文本到图像生成系统，如 DALL・E 3、Midjourney v6 和 Ideogram v1。不久之后，他们将公开该研究的实验数据、代码和模型权重。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

在论文中，Stability AI 透露了关于 Stable Diffusion 3 的更多细节。

• 论文标题：Scaling Rectified Flow Transformers for High-Resolution Image Synthesis
• 论文链接：https://stabilityai-public-packages.s3.us-west-2.amazonaws.com/Stable+Diffusion+3+Paper.pdf

架构细节

对于文本到图像的生成，Stable Diffusion 3 模型必须同时考虑文本和图像两种模式。因此，论文作者称这种新架构为 MMDiT，意指其处理多种模态的能力。与之前版本的 Stable Diffusion 一样，作者使用预训练模型来推导合适的文本和图像表征。具体来说，他们使用了三种不同的文本嵌入模型 —— 两种 CLIP 模型和 T5—— 来编码文本表征，并使用改进的自编码模型来编码图像 token。

Stable Diffusion 3 模型架构。

改进的多模态扩散 transformer：MMDiT 块。

SD3 架构基于 Sora 核心研发成员 William Peebles 和纽约大学计算机科学助理教授谢赛宁合作提出的 DiT。由于文本嵌入和图像嵌入在概念上有很大不同，因此 SD3 的作者对两种模态使用两套不同的权重。如上图所示，这相当于为每种模态设置了两个独立的 transformer，但将两种模态的序列结合起来进行注意力运算，从而使两种表征都能在各自的空间内工作，同时也将另一种表征考虑在内。

在训练过程中测量视觉保真度和文本对齐度时，作者提出的 mmdit 架构优于 uvit 和 dit 等成熟的文本到图像骨干。

通过这种方法，信息可以在图像和文本 token 之间流动，从而提高模型的整体理解能力，并改善所生成输出的文字排版。正如论文中所讨论的那样，这种架构也很容易扩展到视频等多种模式。

得益于 Stable Diffusion 3 改进的提示遵循能力，新模型有能力制作出聚焦于各种不同主题和质量的图像，同时还能高度灵活地处理图像本身的风格。

通过 re-weighting 改进 Rectified Flow

Stable Diffusion 3 采用 Rectified Flow（RF）公式，在训练过程中，数据和噪声以线性轨迹相连。这使得推理路径更加平直，从而减少了采样步骤。此外，作者还在训练过程中引入了一种新的轨迹采样计划。他们假设，轨迹的中间部分会带来更具挑战性的预测任务，因此该计划给予轨迹中间部分更多权重。他们使用多种数据集、指标和采样器设置进行比较，并将自己提出的方法与 LDM、EDM 和 ADM 等 60 种其他扩散轨迹进行了测试。结果表明，虽然以前的 RF 公式在少步采样情况下性能有所提高，但随着步数的增加，其相对性能会下降。相比之下，作者提出的重新加权 RF 变体能持续提高性能。

扩展 Rectified Flow Transformer 模型

作者利用重新加权的 Rectified Flow 公式和 MMDiT 骨干对文本到图像的合成进行了扩展（scaling）研究。他们训练的模型从带有 450M 个参数的 15 个块到带有 8B 个参数的 38 个块不等，并观察到验证损失随着模型大小和训练步骤的增加而平稳降低（上图的第一行）。为了检验这是否转化为对模型输出的有意义改进，作者还评估了自动图像对齐指标（GenEval）和人类偏好分数（ELO）（上图第二行）。结果表明，这些指标与验证损失之间存在很强的相关性，这表明后者可以很好地预测模型的整体性能。此外，scaling 趋势没有显示出饱和的迹象，这让作者对未来继续提高模型性能持乐观态度。

灵活的文本编码器

通过移除用于推理的内存密集型 4.7B 参数 T5 文本编码器，SD3 的内存需求可显著降低，而性能损失却很小。如图所示，移除该文本编码器不会影响视觉美感（不使用 T5 时的胜率为 50%），只会略微降低文本一致性（胜率为 46%）。不过，作者建议在生成书面文本时加入 T5，以充分发挥 SD3 的性能，因为他们观察到，如果不加入 T5，生成排版的性能下降幅度更大（胜率为 38%），如下图所示：

只有在呈现涉及许多细节或大量书面文本的非常复杂的提示时，移除 T5 进行推理才会导致性能显著下降。上图显示了每个示例的三个随机样本。

模型性能

作者将 Stable Diffusion 3 的输出图像与其他各种开源模型（包括 SDXL、SDXL Turbo、Stable Cascade、Playground v2.5 和 Pixart-α）以及闭源模型（如 DALL-E 3、Midjourney v6 和 Ideogram v1）进行了比较，以便根据人类反馈来评估性能。在这些测试中，人类评估员从每个模型中获得输出示例，并根据模型输出在多大程度上遵循所给提示的上下文（prompt following）、在多大程度上根据提示渲染文本（typography）以及哪幅图像具有更高的美学质量（visual aesthetics）来选择最佳结果。

以 SD3 为基准，这个图表概述了它在基于人类对视觉美学、提示遵循和文字排版的评估中的胜率。

Machine Translation

聚合多个来源的AI翻译

49 查看详情

从测试结果来看，作者发现 Stable Diffusion 3 在上述所有方面都与当前最先进的文本到图像生成系统相当，甚至更胜一筹。

在消费级硬件上进行的早期未优化推理测试中，最大的 8B 参数 SD3 模型适合 RTX 4090 的 24GB VRAM，使用 50 个采样步骤生成分辨率为 1024x1024 的图像需要 34 秒。

此外，在最初发布时，Stable Diffusion 3 将有多种变体，从 800m 到 8B 参数模型不等，以进一步消除硬件障碍。

更多细节请参考原论文。

参考链接：https://stability.ai/news/stable-diffusion-3-research-paper

以上就是Stable Diffusion 3论文终于发布，架构细节大揭秘，对复现Sora有帮助？的详细内容，更多请关注其它相关文章！

# 进行了  # 优化汉语表达的网站推广  # 湖北建设厅网站  # 广州网站建设新闻推广  # 鄂州网站建设推广方案  # 随州高新企业网站建设  # 网站内链接优化方法  # 甘肃网站建设老品牌  # 租赁商场怎么做营销推广  # 给调查问卷网站做推广  # 学习seo 金水区  # 谁能  # 上图  # 模态  # 过程中  # ai  # 移除  # 胜率  # 两种  # 开源  # 大揭秘  # pl  # ideogram  # midjourney  # stable diffusion  # sora  # follow  # 技术  # 论文 

相关栏目： 【 行业新闻62819 】 【 科技资讯67470 】

相关推荐： 软银、淡马锡、沙特阿美突击入股，“协作机器人第一股”节卡股份：强敌环伺，持续失血是常态  微软为 AI 初学者推出免费网课：为期 12 周，共 24 节课  特斯拉门店可能启动机器人卖车？也许不是你想的那样  昇腾AI大模型训推一体化解决方案将在WAIC发布  轻量级的深度学习框架Tinygrad  业内领先 四川大学华西第四医院甲状腺乳腺外科成功进入手术机器人时代  「社交达人」GPT-4！解读表情、揣测心理全都会  AI+音乐如何“生成”动听旋律？一起揭秘世界人工智能大会开场曲  国内通用人形机器人将发布、产业加速突破  科技赋能司法执行 阿里资产免费为全国法院升级VR新服务  腾讯汤道生：大模型只是起点，产业落地是AI更大的应用场景  零AI含量！纯随机数学无限生成逼真3D世界火了，普林斯顿华人一作  改变城市交通：智慧城市中的智能交通  AI新视野，增长新势能，伙伴云受邀出席笔记侠创业讲真话AI峰会  Unity 内测 Safe Voice 服务，利用 AI 自动识别玩家不当聊天内容  大模型的“黄金搭档”来了！腾讯云正式发布AI原生向量数据库，提供10亿级向量检索能力  真全息产品，亮相深圳文博会——dipal数伴拓展元宇宙非沉浸式体验  普林斯顿Infinigen矩阵开启！AI造物主100%创造大自然，逼真到炸裂  当人工智能开始写高考作文？作家陈崇正、朱山坡谈文学与未来  谷歌将使用公开信息训练 AI 模型，构建更强大的自家产品  RoboNeo什么时候上线  华为盘古AI模型实现秒级全球气象预报时间缩短  为AI而服务设计：构建以人为本的AI创新方法  套娃不可取：研究人员证实用AI生成的结果训练AI将导致模型退化  联合国秘书长称支持建立全球人工智能监管机构  学生作文评分的新趋势：教师与AI的合作模式  解决导航“最后50米”难题 高德地图升级AR步行导航找终点功能  CREATOR制造、使用工具，实现LLM「自我进化」  微软Bing聊天机器人电脑端即将支持语音提问  先进技术在防止全球数据丢失方面的作用  美图秀秀发布七款 AI 工具：修图一样修视频、打造电影级上镜脸  音乐制作元工具AudioCraft发布开源AI工具  鸿蒙生态带来了哪些新的流量可能性，包括AI、服务分发和原生智能等方面？  pixivFANBOX 更新运营规则，禁止通过外链绕开 AI 生成禁令  小米又拿下国际比赛第一：AI翻译立功  NVIDIA垄断AI市场90%份额：AMD性能追上80% 软件太不能打  这款在《自然通讯》发表的机器人，为变形金刚来到现实创造可能性  Moka发布AI原生HR SaaS产品“Moka Eva”，布局AGI时代  意大利警察拟用AI预测犯罪 该算法被指种族歧视严重  AI会帮我们把活干完吗？  “聚智启新，‘蓉’力同行” 成都市人工智能产业融通对接会成功举办  马斯克：将来机器人比人类多！特斯拉机器人亮相人工智能大会  PS AI修图免费平替来了！Stability AI又放大招，核弹级更新一键扩图  换流站无线物联网络为新型电力系统铺设“数字之路”  世界人工智能大会高合发表演讲，HiPhi Y即将全球上市  阿里云AI绘画创作大模型通义万相发布 已开启定向邀测  为什么很多人对纽约《人工智能招聘法》感到生气？  亚马逊CEO：人工智能将成为公司未来战略的重中之重  AI大模型时代，数据存储新基座助推教科研数智化跃迁  破解零碳产业园建设规范和成果评价难题