MIT与英伟达深度联手，HART工具开启图像生成技术崭新篇章

近日，外媒报道了一则令人瞩目的科技成果：美国麻省理工学院与英伟达公司(NVIDIA)的研究人员成功研发出一种创新方法，巧妙融合了两种常见图像生成方式的优势，打造出一款名为 HART(混合自回归转换器的缩写)的混合图像生成工具。

HART：图像生成新利器

HART 运用自回归模型，能够迅速勾勒出图像的整体轮廓，随后借助小型扩散模型对图像细节进行精细优化。它生成的图像质量，与当前顶尖扩散模型所生成的不相上下，甚至更胜一筹，而生成速度却提升了九倍之多。更为突出的是，HART 在图像生成过程中，消耗的计算资源比典型扩散模型要少，这使得它可以在普通商用笔记本电脑或智能手机上本地运行。用户只需在 HART 界面输入自然语言提示，就能轻松获得生成的图像。其应用前景十分广阔，比如助力研究人员训练机器人执行复杂现实任务，帮助设计师为视频游戏构建更具吸引力的场景。

创新融合，突破传统局限

像 Stable Diffusion 和 DALL - E 这类流行的扩散模型，虽能生成细节丰富的图像，但生成过程较为繁琐。它们通过迭代，对每个像素预测随机噪声并减去，这一 “去噪” 过程可能需重复 30 步甚至更多，导致整体速度缓慢且计算成本高昂，不过多次修正机会保证了图像的高质量。自回归模型在文本预测中广泛应用，它通过依次预测图像块来生成图像，顺序预测过程比扩散模型快很多，但其采用自动编码器压缩原始图像像素为离散标记，在重建图像时，因压缩导致的信息丢失可能引发错误，且无法回溯修正。

HART 创新性地采用混合方法，先用自回归模型预测压缩的离散图像标记，再用小型扩散模型预测残差标记，以此弥补信息损失。由于扩散模型只需处理自回归模型完成后的剩余细节，仅需八步就能完成任务，而标准扩散模型通常需要 30 步以上。额外引入的扩散模型，在几乎不增加计算量的情况下，保留了自回归模型的速度优势，还极大提升了生成复杂图像细节的能力。

在研发 HART 时，研究人员克服了高效整合扩散模型以增强自回归模型的难题。他们发现，在自回归过程早期集成扩散模型会导致误差累积，所以最终设计仅在最后一步应用扩散模型预测剩余标记，显著提高了图像生成质量。研究人员结合了 7 亿参数的自回归转换器模型和 3700 万参数的轻量级扩散模型，生成图像质量与 20 亿参数扩散模型相当，速度却快九倍，计算量还少约 31%。

未来可期

HART 因采用自回归模型承担大量工作，更易于与新型统一视觉 - 语言生成式模型集成。未来，人们或许能与这类模型互动，比如让其展示组装家具的中间步骤。展望后续，研究人员计划基于 HART 架构打造视觉 - 语言模型，并凭借其扩展性和多模态通用性，尝试将其应用于视频生成和音频预测任务，持续拓展其应用边界。