苹果“套娃”式扩散模型，训练步数减少七成！
苹果的一项最新研究，大幅提高了扩散模型在高分辨率图像上性能。利用这种方法，同样分辨率的图像，训练步数减少了超过七成。在1024×1024的分辨率下，图片画质直接拉满，细节都清晰可见。苹果把这项成果命名为MDM，DM就是扩散模型（DiffusionModel）的缩写，而第一个M则代表了套娃（Matryoshka）。就像真的套娃一样，MDM在高分辨率过程中嵌套了低分辨率过程，而且是多层嵌套。高低分辨率扩散过程同时进行，极大降低了传统扩散模型在高分辨率过程中的资源消耗。对于256×256分辨率的图像，在批大小（
苹果的一项最新研究，大幅提高了扩散模型在高分辨率图像上性能。
利用这种方法，同样分辨率的图像，训练步数减少了超过七成。
在1024×1024的分辨率下，图片画质直接拉满，细节都清晰可见。
苹果把这项成果命名为MDM，DM就是扩散模型（Diffusion Model）的缩写，而第一个M则代表了套娃（Matryoshka）。
就像真的套娃一样，MDM在高分辨率过程中嵌套了低分辨率过程，而且是多层嵌套。
高低分辨率扩散过程同时进行，极大降低了传统扩散模型在高分辨率过程中的资源消耗。
对于256×256分辨率的图像，在批大小（batch size）为1024的环境下，传统扩散模型需要训练150万步，而MDM仅需39万，减少了超七成。
另外，MDM采用了端到端训练，不依赖特定数据集和预训练模型，在提速的同时依然保证了生成质量，而且使用灵活。
不仅可以画出高分辨率的图像，还能合成16×256²的视频。
有网友评论到，苹果终于把文本连接到图像中了。
那么，MDM的“套娃”技术，具体是怎么做的呢？
整体与渐进相结合
在开始训练之前，需要将数据进行预处理，高分辨率的图像会用一定算法重新采样，得到不同分辨率的版本。
然后就是利用这些不同分辨率的数据进行联合UNet建模，小UNet处理低分辨率，并嵌套进处理高分辨率的大UNet。
通过跨分辨率的连接，不同大小的UNet之间可以共用特征和参数。
MDM的训练则是一个循序渐进的过程。
虽然建模是联合进行的，但训练过程并不会一开始就针对高分辨率进行，而是从低分辨率开始逐步扩大。
这样做可以避免庞大的运算量，还可以让低分辨率UNet的预训练可以加速高分辨率训练过程。
训练过程中会逐步将更高分辨率的训练数据加入总体过程中，让模型适应渐进增长的分辨率，平滑过渡到最终的高分辨率过程。
不过从整体上看，在高分辨率过程逐步加入之后，MDM的训练依旧是端到端的联合过程。
在不同分辨率的联合训练当中，多个分辨率上的损失函数一起参与参数更新，避免了多阶段训练带来的误差累积。
每个分辨率都有对应的数据项的重建损失，不同分辨率的损失被加权合并，其中为保证生成质量，低分辨率损失权重较大。
在推理阶段，MDM采用的同样是并行与渐进相结合的策略。
此外，MDM利还采用了预训练的图像分类模型（CFG）来引导生成样本向更合理的方向优化，并为低分辨率的样本添加噪声,使其更贴近高分辨率样本的分布。
那么，MDM的效果究竟如何呢？
更少参数匹敌SOTA
图像方面，在ImageNet和CC12M数据集上，MDM的FID（数值越低效果越好）和CLIP表现都显著优于普通扩散模型。
其中FID用于评价图像本身的质量，CLIP则说明了图像和文本指令之间的匹配程度。
和DALL E、IMAGEN等SOTA模型相比，MDM的表现也很接近，但MDM的训练参数远少于这些模型。
不仅是优于普通扩散模型，MDM的表现也超过了其他级联扩散模型。
消融实验结果表明，低分辨率训练的步数越多，MDM效果增强就越明显；另一方面，嵌套层级越多，取得相同的CLIP得分需要的训练步数就越少。
而关于CFG参数的选择，则是一个多次测试后再FID和CLIP之间权衡的结果（CLIP得分高相对于CFG强度增大）。
Postman是一套面向API全生命周期的开发与测试平台，可在Mac上发送和调试多种协议请求，管理集合、环境及认证信息，并完成脚本测试、模拟服务、监控、文档发布和团队协作。它适合开发、测试及运维人员使用，提供个人免费方案。
Docker Desktop 是 Docker 官方为 Mac 提供的容器开发环境，集成 Docker Engine、命令行工具、Compose、Build、Kubernetes 与图形化管理界面。
Android Studio 是 Google 面向安卓应用开发提供的官方集成开发环境，基于 IntelliJ IDEA 构建。它整合智能代码编辑、Gradle 构建、界面预览、设备模拟、性能分析、调试测试及 APK 分析等工具。
Xcode 是苹果面向 Mac 提供的官方集成开发环境，将代码编辑、项目构建、SwiftUI 实时预览、设备模拟、自动化测试、断点调试、性能分析和应用分发整合在同一套工作流中，适合开发与维护 iPhone、iPad、Mac、Apple Wa
JetBrains WebStorm 是面向 JavaScript、TypeScript 和现代 Web 技术的专业集成开发环境，可智能理解项目结构，提供代码补全、重构、错误检查、运行调试、测试及 Git 工具。
PhpStorm 是 JetBrains 推出的专业 PHP 集成开发环境，可在 Mac 上完成代码编写、智能检查、重构、调试、测试和数据库管理。它支持主流 PHP 框架、Composer、Git、Docker 与远程解释器。
JetBrains PyCharm 是面向 Python 开发者的集成开发环境，提供智能补全、代码检查、重构、调试、测试、版本控制及虚拟环境管理功能。Mac 版兼容 Intel 与 Apple 芯片，核心功能可免费使用。
IntelliJ IDEA 是 JetBrains 推出的专业集成开发环境，重点服务于 Java、Kotlin 与 JVM 项目开发。软件集成代码补全、静态检查、重构、调试、测试、版本控制及构建工具，并可借助插件扩展语言和框架支持。
Visual Studio Code 是微软提供的免费代码编辑器，支持 macOS，并为 Intel 与 Apple 芯片 Mac 提供适配版本。软件集代码编辑、调试、Git 源代码管理、集成终端和扩展市场于一体。
REAPER是Cockos开发的数字音频工作站，提供多轨音频与MIDI录制、剪辑、处理、混音和母带制作工具。Mac版兼容Intel与Apple芯片，支持AU、VST、VST3、CLAP等插件格式，并提供高度可定制的工作流程。
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Pro Tools 是 Avid 推出的专业数字音频工作站，覆盖多轨录音、无损剪辑、MIDI 编曲、插件处理、自动化混音及声音与画面同步等工作。它拥有 Intro、Artist、Studio 和 Ultimate 等方案。
PixPix 是面向品牌、卖家和内容团队的在线 AI 图片视频创作平台，提供图视频 Agent、无限画布、图片生成、视频生成、自然语言编辑及商品套图、产品精修和带货视频等电商工具。
Postman 是面向 API 全生命周期的开发与协作平台。Windows 桌面版可用于构建和发送 HTTP、GraphQL、gRPC、WebSocket、MQTT 等请求，并提供环境变量、集合、脚本测试、模拟服务、监控、文档及团队工作区等
Docker Desktop 为 Windows 开发者提供集成式容器环境，内置 Docker Engine、命令行工具、Compose、Build 与 Kubernetes 等组件，可在本机完成镜像构建、容器运行、日志查看和资源管理。
Android Studio 是 Google 面向 Android 应用开发提供的官方集成开发环境，以 IntelliJ IDEA 为基础，集成智能代码编辑、Gradle 构建、设备模拟、界面预览、调试测试及性能分析工具，
WebStorm 是 JetBrains 面向 JavaScript、TypeScript 和现代 Web 技术打造的集成开发环境。它提供项目级代码分析、智能补全、安全重构、导航搜索，并集成调试、测试、终端、Git 与常用前端工具，
PhpStorm 是 JetBrains 面向 PHP 与现代 Web 开发打造的专业集成开发环境，提供代码补全、静态检查、重构、调试、测试、数据库、版本控制及前端语言支持。Windows 用户可直接下载安装程序，
PyCharm 是 JetBrains 推出的 Python 集成开发环境，提供智能代码补全、错误检查、重构、调试、测试、Git、终端及 Jupyter Notebook 支持。统一版安装后可体验 30 天 Pro 功能，
JetBrains IntelliJ IDEA 是以 Java、Kotlin 和 JVM 项目为核心的专业集成开发环境，提供智能补全、代码检查、安全重构、调试、测试、版本控制及构建工具集成。统一发行版的核心功能可免费用于商业和非商业项目，
Visual Studio Code 是微软推出的免费代码编辑器，Windows 版集成智能补全、代码导航、调试、终端和版本控制，并可通过扩展添加语言、格式化及远程开发能力。它启动较快、配置灵活，
REAPER 是 Cockos 推出的数字音频工作站，适用于录音、MIDI 编曲、音频编辑、混音、母带制作及声音设计。软件安装包小巧，支持多轨录制、灵活路由、自动化、第三方插件和脚本扩展，并提供完整功能的 60 天免费评估期。
Adobe Audition 是面向播客、影视后期、广播与音乐制作的专业音频工作站，提供波形编辑、多轨混音、频谱分析、录音、降噪修复和效果处理等功能。Windows 版通过 Adobe Creative Cloud 安装和管理，
Pro Tools 是 Avid 推出的专业数字音频工作站，提供多轨录音、音频剪辑、MIDI编曲、插件处理、自动化混音及影视声音制作能力。它适合音乐人、录音师、制作人和音频后期团队使用，并提供免费入门版、订阅方案及永久授权选择。