简介：LCM 只需 4,000 个训练步骤（约 32 个 A100 GPU/小时）即可从任何预训练的稳定扩散 (SD) 中提取出来，只需 2~4 个步骤甚至一步即可生成高质量的 768 x 768 分辨率图像，从而显着加速文本转换 -图像生成。
潜在一致性模型
介绍
潜在扩散模型(Latent Diffusion models, ldm)在高分辨率图像合成方面取得了显著的成果。然而，迭代采样过程计算量大，导致生成速度慢。受一致性模型的启发，我们提出了潜在一致性模型(Latent Consistency Models, lcm)，能够在任何预训练的ldm上以最小的步骤进行快速推理，包括稳定扩散。
原理：将引导反向扩散过程视为求解增强概率流ODE (PF-ODE)， lcm设计用于直接预测潜在空间中此类ODE的解，从而减少了多次迭代的需要，并允许快速，高保真采样。有效地从预训练的无分类器引导扩散模型中提取，高质量的768×768 2 ~ 4步LCM仅需32 A100 GPU小时即可进行训练。此外，引入了潜在一致性微调(LCF)，这是一种针对自定义图像数据集微调LCF的新方法。
一致性模型(CMs)：作为一种新型生成模型显示出巨大的潜力，可以在保持生成质量的同时加快采样速度。一致性模型采用一致性映射，直接将ODE轨迹中的任意点映射到原点，实现快速一步生成。可以通过提取预训练的扩散模型或作为独立的生成模型进行训练。
原理
潜在空间中的一致性蒸馏
在诸如稳定扩散（Stable Diffusion, SD）(Rombach et al, 2022)等大规模扩散模型中，利用图像的潜在空间有效地提高了图像生成质量并减少了计算负载。在SD中，首先训练一个自编码器（E, D）来将高维图像数据压缩为低维潜在向量 𝑧=𝐸(𝑥)，然后解码以重建图像 𝑥ˆ=𝐷(𝑧)。在潜在空间中训练扩散模型与基于像素的模型相比，大大降低了计算成本并加快了推理过程；潜在扩散模型（LDMs）使得在笔记本电脑的GPU上生成高分辨率图像成为可能。
对于潜在一致性模型（LCMs），我们利用潜在空间的一致性蒸馏优势，与一致性模型（CMs）(Song et al, 2023)中使用的像素空间形成对比。这种方法被称为潜在一致性蒸馏（LCD），应用于预训练的SD，允许在1至4步内合成高分辨率的768×768图像。我们专注于条件生成。回顾一下逆扩散过程的PF-ODE：
其中𝑧𝑡是图像潜在变量，𝜖𝜃(𝑧𝑡,𝑐,𝑡) 是噪声预测模型，𝑐 是给定的条件（例如文本）。通过从 𝑇 到 0 解决 PF-ODE 可以抽取样本。为了执行潜在一致性蒸馏（LCD），我们引入一致性函数 𝑓𝜃:(𝑧𝑡,𝑐,𝑡)→𝑧0，直接预测 𝑡=0 时 PF-ODE 的解（公式8）。通过噪声预测模型 𝜖^𝜃参数化 𝑓𝜃，如下所示：
其中 𝑐skip(0)=1，𝑐out(0)=0，且 𝜖^𝜃(𝑧,𝑐,𝑡) 是噪声预测模型，其初始参数与教师扩散模型相同。假设有一个高效的ODE求解器 Ψ(𝑧𝑡,𝑡,𝑠,𝑐)，用于近似积分公式8的右侧，从时间 𝑡 到 𝑠。在实际操作中，可以使用DDIM，DPM-Solver或DPM-Solver++ 作为 Ψ(⋅,⋅,⋅,⋅)。
只在训练/蒸馏中使用这些求解器，而不是在推理中。潜在一致性模型（LCM）旨在通过最小化一致性蒸馏损失来预测PF-ODE的解：
通过求解增强的PF-ODE进行单阶段引导蒸馏
无分类器引导（Classifier-free guidance, CFG）对于在稳定扩散（SD）中合成高质量的文本对齐图像至关重要，通常需要大于6的CFG比例 𝜔。因此，将CFG集成到蒸馏方法中变得不可或缺。之前的方法 Guided-Distill引入了一个两阶段蒸馏以支持从引导扩散模型中进行少步采样。然而，这种方法计算密集估计，2步推理至少需要45个A100 GPU天）。相比之下，潜在一致性模型（LCM）仅需要32个A100 GPU小时的训练时间来进行2步推理，如图1所示。此外，两阶段引导蒸馏可能导致累积误差，导致性能不佳。相反，LCM通过求解增强的PF-ODE采用高效的单阶段引导蒸馏。回顾在逆扩散过程中使用的CFG：
其中用条件噪声和无条件噪声的线性组合代替原有的噪声预测，ω称为引导标度。为了从引导逆向过程中采样，我们需要求解以下增广的PF-ODE(即，与ω相关的项增广):
为了有效地进行一级导向蒸馏，我们引入增广一致性函数fθ:(zt， ω， c, t)→z0来直接预测t = 0时增广PF-ODE (Eq. 13)的解。我们以与Eq. 9相同的方式参数化fθ，除了λ θ(z, c, t)被λ ϵθ(z， ω， c, t)取代，这是一个用与教师扩散模型相同的参数初始化的噪声预测模型，但还包含额外的可训练参数，用于ω的调节。一致性损失与Eq. 10相同，只是我们使用增广一致性函数fθ(zt， ω， c, t)。
跳过时间步加速蒸馏
离散扩散模型通常通过长时间步长计划 {𝑡𝑖}𝑖（也称为离散化计划或时间计划）训练噪声预测模型，以实现高质量的生成结果。例如，稳定扩散（SD）有一个长度为1000的时间计划。然而，直接将潜在一致性蒸馏（LCD）应用于具有如此长时间计划的SD可能会有问题。模型需要在所有1000个时间步长上进行采样，而一致性损失试图使LCM模型 𝑓𝜃(𝑧𝑡𝑛+1,𝑐,𝑡𝑛+1) 的预测与在相同轨迹上下一步 𝑓𝜃(𝑧𝑡𝑛,𝑐,𝑡𝑛) 的预测对齐。由于 𝑡𝑛 − 𝑡𝑛+1 很小，𝑧𝑡𝑛 和 𝑧𝑡𝑛+1（因此 𝑓𝜃(𝑧𝑡𝑛+1,𝑐,𝑡𝑛+1)和 𝑓𝜃(𝑧𝑡𝑛,𝑐,𝑡𝑛)）已经彼此接近，导致一致性损失很小，因此收敛速度慢。
为了解决这个问题，我们引入了跳步方法（SKIPPING-STEP），大大缩短了时间计划的长度（从数千缩短到几十），以实现快速收敛，同时保持生成质量。
一致性模型（CMs）使用EDM连续时间计划，并使用欧拉或Heun求解器作为数值连续PF-ODE求解器。对于LCMs，为了适应稳定扩散中的离散时间计划，我们使用DDIM，DPM-Solver或DPM-Solver++作为ODE求解器。
现在，我们介绍潜在一致性蒸馏（LCD）中的跳步方法。与确保相邻时间步长 𝑡𝑛+1→𝑡𝑛 之间的一致性不同，LCMs旨在确保当前时间步长和相隔 𝑘 步的时间步长 𝑡𝑛+𝑘→𝑡𝑛之间的一致性。注意，设置 𝑘=1k=1 会恢复到中的原始计划，导致收敛速度慢，而非常大的 𝑘 可能会导致ODE求解器的大近似误差。在我们的主要实验中，我们设置 𝑘=20，将时间计划的长度从数千减少到几十。第5.2节的结果显示了不同 k 值的效果，并揭示跳步方法在加速LCD过程中的重要性。具体来说，公式14中的一致性蒸馏损失被修改为确保从 𝑡𝑛+𝑘 到 𝑡𝑛 的一致性：
上述推导类似于公式15。对于LCM，我们在此使用三种可能的ODE求解器：DDIM (Song et al, 2020a)、DPM-Solver (Lu et al, 2022a)、DPM-Solver++。
LCM-LoRA
原理
在使用原始 LCM 蒸馏时，每个模型都需要单独蒸馏。而 LCM LoRA 的核心思想是只对少量适配器 (即 LoRA 层) 进行训练，而不用对完整模型进行训练。推理时，可将生成的 LoRA 用于同一模型的任何微调版本，而无需对每个版本都进行蒸馏。训练自己的 LoRA流程如下:
- 从 Hub 中选择一个教师模型。如: 你可以使用 SDXL (base)，或其任何微调版或 dreambooth 微调版。
- 在该模型上 训练 LCM LoRA 模型。LoRA 是一种参数高效的微调 (PEFT)，其实现成本比全模型微调要便宜得多。
- 将 LoRA 与任何 SDXL 模型和 LCM 调度器一起组成一个pipeline，进行推理。就这样！用这个流水线，你只需几步推理即可生成高质量的图像。
推理
根据使用 LCM LoRA 4 步完成 SDXL 推理 (huggingface.co) 的说明进行推理。给出的使用说明只进行了T2I的示例，不知道Talking face生成的结果如何，首先尝试直接使用了SD-v1.5的预训练权重：latent-consistency/lcm-lora-sdv1-5 · Hugging Face
生成一段14s的视频，原模型用时：15min
使用LCM-LoRA后：
首先有一个diffusers库版本不匹配的问题，anipotrait使用的diffusers==0.24.0，而必须的load_lora_weights函数在新版本diffusers，更新库后编译报错
训练
参考：使用 LCM LoRA 4 步完成 SDXL 推理 (huggingface.co)
Stable Diffusion 1.5 训练脚本：diffusers/examples/consistency_distillation/README.md at main · huggingface/diffusers (github.com)
使用时，先加载微调后的模型，然后加载适合 Stable Diffusion v1.5 的 LCM LoRA 权重：
from diffusers import DiffusionPipeline, LCMScheduler
import torch
model_id = "wavymulder/collage-diffusion"
lcm_lora_id = "latent-consistency/lcm-lora-sdv1-5"
pipe = DiffusionPipeline.from_pretrained(model_id, variant="fp16")
pipe.scheduler = LCMScheduler.from_config(pipe.scheduler.config)
pipe.load_lora_weights(lcm_lora_id)
pipe.to(device="cuda", dtype=torch.float16)
prompt = "collage style kid sits looking at the night sky, full of stars"
generator = torch.Generator(device=pipe.device).manual_seed(1337)
images = pipe(
prompt=prompt,
generator=generator,
negative_prompt=negative_prompt,
num_inference_steps=4,
guidance_scale=1,
).images[0]
images
- 使用 Stable Diffusion v1.5 模型去实例化一个标准的 diffusion pipeline。
- 应用 LCM-LoRA。
- 将调度器改为 LCMScheduler，这是 LCM 模型使用的调度器。
其他SD优化方案：diffusers SD推理加速方案的调研实践总结-CSDN博客
