OmniFlow:多模態矯正流實現任意生成
OmniFlow: Any-to-Any Generation with Multi-Modal Rectified Flows
December 2, 2024
作者: Shufan Li, Konstantinos Kallidromitis, Akash Gokul, Zichun Liao, Yusuke Kato, Kazuki Kozuka, Aditya Grover
cs.AI
摘要
我們介紹了 OmniFlow,一種新穎的生成模型,專為任務間的生成(any-to-any generation)設計,如文本到圖像、文本到音訊和音訊到圖像的合成。OmniFlow 在處理多模態聯合分佈時推進了用於文本到圖像模型的修正流(RF)框架。它在各種任務上均優於先前的任務間生成模型,如文本到圖像和文本到音訊的合成。我們的工作提供了三個關鍵貢獻:首先,我們將 RF 擴展到多模態設置,並引入一個新穎的引導機制,使用戶能夠靈活控制生成輸出中不同模態之間的對齊。其次,我們提出了一種新穎的架構,擴展了 Stable Diffusion 3 的文本到圖像 MMDiT 架構,並實現了音訊和文本生成。這些擴展模組可以有效地進行個別預訓練,並與基本文本到圖像 MMDiT 合併進行微調。最後,我們對用於大規模音訊和文本生成的修正流變壓器的設計選擇進行了全面研究,提供了有價值的見解,以優化跨不同模態的性能。代碼將在 https://github.com/jacklishufan/OmniFlows 上提供。
English
We introduce OmniFlow, a novel generative model designed for any-to-any
generation tasks such as text-to-image, text-to-audio, and audio-to-image
synthesis. OmniFlow advances the rectified flow (RF) framework used in
text-to-image models to handle the joint distribution of multiple modalities.
It outperforms previous any-to-any models on a wide range of tasks, such as
text-to-image and text-to-audio synthesis. Our work offers three key
contributions: First, we extend RF to a multi-modal setting and introduce a
novel guidance mechanism, enabling users to flexibly control the alignment
between different modalities in the generated outputs. Second, we propose a
novel architecture that extends the text-to-image MMDiT architecture of Stable
Diffusion 3 and enables audio and text generation. The extended modules can be
efficiently pretrained individually and merged with the vanilla text-to-image
MMDiT for fine-tuning. Lastly, we conduct a comprehensive study on the design
choices of rectified flow transformers for large-scale audio and text
generation, providing valuable insights into optimizing performance across
diverse modalities. The Code will be available at
https://github.com/jacklishufan/OmniFlows.Summary
AI-Generated Summary
論文概述
本文介紹了一種名為OmniFlow的新型生成模型,用於處理任意到任意的生成任務,包括文本到圖像、文本到音訊和音訊到圖像合成。OmniFlow在多模態聯合分佈處理方面取得了重要進展,並在文本到圖像和文本到音訊合成等廣泛任務上優於先前的模型。
核心貢獻
- 將矯正流(RF)擴展到多模態設置,引入新的引導機制,使用戶能夠靈活控制生成輸出中不同模態之間的對齊。
- 提出一種新的架構,擴展了文本到圖像MMDiT架構,並實現了音訊和文本生成。
- 通過對大規模音訊和文本生成的矯正流變壓器進行全面研究,提供了優化跨不同模態性能的寶貴見解。
研究背景
本研究針對多模態生成任務的挑戰,提出了OmniFlow模型,旨在解決先前模型在處理多模態生成時的限制。研究動機來自於對任意到任意生成任務的需求,如文本到圖像和文本到音訊合成。
研究缺口
- 先前模型在多模態生成方面存在限制,缺乏靈活性和對不同模態之間對齊的控制。
- 尚缺乏針對多模態生成的全面研究,特別是在大規模音訊和文本生成方面的設計選擇。
技術挑戰
- 實現多模態生成模型需要克服模態之間的對齊問題和生成質量的保證。
- 跨不同模態的性能優化和訓練效率提升是技術上的挑戰。
先前方法
- 先前的任意到任意生成模型存在對模態對齊控制不足和多模態生成效果不佳的問題。
方法論
本研究提出了OmniFlow模型,通過模塊化擴展MMDiT架構,實現對文本、圖像和音訊的多模態輸入處理。使用模塊特定的VAEs將輸入轉換為潛在向量,並通過Omni-Transformer blocks進行處理。
理論基礎
- OmniFlow模型基於矯正流(RF)框架,擴展到多模態設置,引入新的引導機制實現對齊控制。
技術架構
- OmniFlow採用模塊化設計,包括文本VAE、音訊VAE和Omni-Transformer等模塊,實現多模態生成。
實施細節
- 在訓練過程中使用文本-圖像對、文本-音訊對和音訊-圖像對等多種數據集,並使用全局批量大小為64進行訓練。
創新點
- OmniFlow引入多模態矯正流公式,實現各種任意到任意生成任務的統一學習目標。
實驗驗證
本研究通過廣泛的實驗驗證了OmniFlow模型在文本到圖像和文本到音訊生成方面的優越性。設置精確,評估標準明確,並與基準模型進行了詳細比較。
實驗設置
- 使用文本到圖像、文本到音訊等生成任務的多種數據集進行訓練和評估。
- 訓練過程中使用不同模態的輸入轉換為潛在向量,並使用Omni-Transformer blocks進行處理。
評估指標
- 通過定量和定性比較,證明了OmniFlow在生成質量和多模態生成方面的優越性。
實驗結果
- OmniFlow在MSCOCO-30K和AudioCaps等基準測試中取得了競爭性結果,超越了先前模型如UniDiffuser和CoDi。
比較分析
- 通過調整多模態引導參數,用戶可以靈活控制輸出結果的風格和內容,並與基準模型進行對比。
影響與啟示
OmniFlow作為一種統一的多模態生成模型,在文本、圖像和音訊生成方面展現出卓越性能,並具有實際應用價值。研究指出了模型的局限性並提出了未來研究方向。
關鍵發現
- OmniFlow在多模態生成方面的優越性,特別是在文本到圖像和文本到音訊生成方面的表現。
- 模型在訓練過程中的靈活性和對不同模態對齊控制的重要性。
局限性
- 模型在文本生成任務中仍有改進空間,並受限於數據集平衡等問題。
未來方向
- 未來研究可以進一步改進模型在文本生成方面的表現,並擴展到更多多模態生成任務。
- 探索如何更好地控制模型生成過程,提高生成結果的多樣性和真實性。
實際意義
- OmniFlow模型可應用於各種實際場景,如文本到圖像合成、音訊到文本轉換等,具有廣泛的實際應用價值。
1比特LLM時代:所有大型語言模型都在1.58比特。The Era of 1-bit LLMs: All Large Language Models are in 1.58 Bits
1比特LLM時代:所有大型語言模型都在1.58比特。
The Era of 1-bit LLMs: All Large Language Models are in 1.58 Bits
Shuming Ma, Hongyu Wang, Lingxiao Ma, Lei Wang, Wenhui Wang, Shaohan Huang, Li Dong, Ruiping Wang, Jilong Xue, Furu Wei•Feb 27, 2024•612142
DeepSeek-R1:通過強化學習激勵LLM中的推理能力DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via
Reinforcement Learning
DeepSeek-R1:通過強化學習激勵LLM中的推理能力
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via
Reinforcement Learning
DeepSeek-AI, Daya Guo, Dejian Yang, Haowei Zhang, Junxiao Song, Ruoyu Zhang, Runxin Xu, Qihao Zhu, Shirong Ma, Peiyi Wang, Xiao Bi, Xiaokang Zhang, Xingkai Yu, Yu Wu, Z. F. Wu, Zhibin Gou, Zhihong Shao, Zhuoshu Li, Ziyi Gao, Aixin Liu, Bing Xue, Bingxuan Wang, Bochao Wu, Bei Feng, Chengda Lu, Chenggang Zhao, Chengqi Deng, Chenyu Zhang, Chong Ruan, Damai Dai, Deli Chen, Dongjie Ji, Erhang Li, Fangyun Lin, Fucong Dai, Fuli Luo, Guangbo Hao, Guanting Chen, Guowei Li, H. Zhang, Han Bao, Hanwei Xu, Haocheng Wang, Honghui Ding, Huajian Xin, Huazuo Gao, Hui Qu, Hui Li, Jianzhong Guo, Jiashi Li, Jiawei Wang, Jingchang Chen, Jingyang Yuan, Junjie Qiu, Junlong Li, J. L. Cai, Jiaqi Ni, Jian Liang, Jin Chen, Kai Dong, Kai Hu, Kaige Gao, Kang Guan, Kexin Huang, Kuai Yu, Lean Wang, Lecong Zhang, Liang Zhao, Litong Wang, Liyue Zhang, Lei Xu, Leyi Xia, Mingchuan Zhang, Minghua Zhang, Minghui Tang, Meng Li, Miaojun Wang, Mingming Li, Ning Tian, Panpan Huang, Peng Zhang, Qiancheng Wang, Qinyu Chen, Qiushi Du, Ruiqi Ge, Ruisong Zhang, Ruizhe Pan, Runji Wang, R. J. Chen, R. L. Jin, Ruyi Chen, Shanghao Lu, Shangyan Zhou, Shanhuang Chen, Shengfeng Ye, Shiyu Wang, Shuiping Yu, Shunfeng Zhou, Shuting Pan, S. S. Li, Shuang Zhou, Shaoqing Wu, Shengfeng Ye, Tao Yun, Tian Pei, Tianyu Sun, T. Wang, Wangding Zeng, Wanjia Zhao, Wen Liu, Wenfeng Liang, Wenjun Gao, Wenqin Yu, Wentao Zhang, W. L. Xiao, Wei An, Xiaodong Liu, Xiaohan Wang, Xiaokang Chen, Xiaotao Nie, Xin Cheng, Xin Liu, Xin Xie, Xingchao Liu, Xinyu Yang, Xinyuan Li, Xuecheng Su, Xuheng Lin, X. Q. Li, Xiangyue Jin, Xiaojin Shen, Xiaosha Chen, Xiaowen Sun, Xiaoxiang Wang, Xinnan Song, Xinyi Zhou, Xianzu Wang, Xinxia Shan, Y. K. Li, Y. Q. Wang, Y. X. Wei, Yang Zhang, Yanhong Xu, Yao Li, Yao Zhao, Yaofeng Sun, Yaohui Wang, Yi Yu, Yichao Zhang, Yifan Shi, Yiliang Xiong, Ying He, Yishi Piao, Yisong Wang, Yixuan Tan, Yiyang Ma, Yiyuan Liu, Yongqiang Guo, Yuan Ou, Yuduan Wang, Yue Gong, Yuheng Zou, Yujia He, Yunfan Xiong, Yuxiang Luo, Yuxiang You, Yuxuan Liu, Yuyang Zhou, Y. X. Zhu, Yanhong Xu, Yanping Huang, Yaohui Li, Yi Zheng, Yuchen Zhu, Yunxian Ma, Ying Tang, Yukun Zha, Yuting Yan, Z. Z. Ren, Zehui Ren, Zhangli Sha, Zhe Fu, Zhean Xu, Zhenda Xie, Zhengyan Zhang, Zhewen Hao, Zhicheng Ma, Zhigang Yan, Zhiyu Wu, Zihui Gu, Zijia Zhu, Zijun Liu, Zilin Li, Ziwei Xie, Ziyang Song, Zizheng Pan, Zhen Huang, Zhipeng Xu, Zhongyu Zhang, Zhen Zhang•Jan 22, 2025•3685
Qwen2.5 技術報告Qwen2.5 Technical Report
Qwen2.5 技術報告
Qwen2.5 Technical Report
Qwen, An Yang, Baosong Yang, Beichen Zhang, Binyuan Hui, Bo Zheng, Bowen Yu, Chengyuan Li, Dayiheng Liu, Fei Huang, Haoran Wei, Huan Lin, Jian Yang, Jianhong Tu, Jianwei Zhang, Jianxin Yang, Jiaxi Yang, Jingren Zhou, Junyang Lin, Kai Dang, Keming Lu, Keqin Bao, Kexin Yang, Le Yu, Mei Li, Mingfeng Xue, Pei Zhang, Qin Zhu, Rui Men, Runji Lin, Tianhao Li, Tingyu Xia, Xingzhang Ren, Xuancheng Ren, Yang Fan, Yang Su, Yichang Zhang, Yu Wan, Yuqiong Liu, Zeyu Cui, Zhenru Zhang, Zihan Qiu•Dec 19, 2024•36311