近年來，AI影像生成技術日新月異，但高昂的運算成本限制了其普及。本文介紹了一種名為Sana的新型文本到圖像框架，它以其高效的圖像生成能力和低廉的運行成本脫穎而出。 Sana能夠在普通筆記型電腦的GPU上產生高達4096×4096解析度的超高清影像，其速度遠超現有技術。該框架的核心創新在於深度壓縮自編碼器、線性DiT、解碼器式文字編碼器以及高效的訓練和取樣策略的結合。
AI 影像生成技術正在快速發展，但模型體積越來越大，對一般使用者來說，訓練和使用成本都非常高。現在，一種名為「Sana」 的新型文字到影像框架橫空出世，它能夠高效生成高達4096×4096解析度的超高清影像，而且速度驚人，甚至可以在筆記型電腦的GPU 上運行。
Sana 的核心設計包括:
深度壓縮自編碼器:與傳統自編碼器僅壓縮影像8倍不同，Sana 使用的自編碼器可以將影像壓縮32倍，從而有效地減少了潛在的tokens 數量。這對於高效訓練和生成超高解析度影像至關重要。
線性DiT:Sana 以線性注意力取代了DiT 中的所有傳統注意力機制，這在不犧牲品質的前提下，提高了高解析度影像的處理效率。線性注意力將計算複雜度從O（N²） 降低到O(N)。此外，Sana 還採用了Mix-FFN，將3x3深度卷積整合到MLP 中，以聚合tokens 的局部訊息，並且不再需要位置編碼。
解碼器式文字編碼器:Sana 使用了最新的解碼器式小型LLM（如Gemma）作為文字編碼器，取代了以往常用的CLIP 或T5。這種方式增強了模型對使用者提示的理解和推理能力，並透過複雜的人工指令和上下文學習來提高圖像文字的對齊度。
高效的訓練和採樣策略:Sana 採用了Flow-DPM-Solver 來減少採樣步驟，並使用高效的標題標註和選擇方法來加速模型收斂。 Sana-0.6B 模型比大型擴散模型（如Flux-12B）小20倍，速度快100倍以上。
Sana 的創新之處在於，它透過以下方法顯著降低了推理延遲:
演算法和系統的協同優化:透過多種最佳化手段，Sana 將4096x4096影像的生成時間從469秒縮短到9.6秒，比目前最先進的模型Flux 快106倍。
深度壓縮自編碼器:Sana 使用AE-F32C32P1結構，將影像壓縮32倍，顯著減少了tokens 數量，加快了訓練和推理速度。
線性注意力:用線性注意力取代傳統的自註意力機制，提高了高解析度影像的處理效率。
Triton 加速:使用Triton 來融合線性注意力模組的前向和後向過程的內核，進一步加速訓練和推理。
Flow-DPM-Solver:將推理取樣步驟從28-50步減少到14-20步，同時獲得更好的生成效果。
Sana 的性能表現非常出色。在1024x1024解析度下，Sana-0.6B 模型的參數只有5.9億，但整體性能達到了0.64GenEval，與許多更大的型號相比毫不遜色。而且，Sana-0.6B 可以在16GB 筆記型電腦GPU 上部署，產生1024×1024解析度的影像只需不到1秒。對於4K 影像生成，Sana-0.6B 的吞吐量比最先進的方法（FLUX）快100倍以上。 Sana 不僅在速度上取得了突破，在影像品質方面也具有競爭力，即使是複雜的場景，如文字渲染和物件細節，Sana 的表現也令人滿意。
此外，Sana 還具備強大的零樣本語言遷移能力。即使只用英文資料進行訓練，Sana 也能理解中文和表情符號的提示並產生相應的圖像。
Sana 的出現，降低了高品質圖像生成的門檻，為專業人士和普通用戶提供了強大的內容創作工具。 Sana 的程式碼和模型將公開發布。
體驗網址：https://nv-sana.mit.edu/
論文網址：https://arxiv.org/pdf/2410.10629
Github:https://github.com/NVlabs/Sana
總而言之，Sana 以其高效的演算法和優化的系統設計，在影像生成領域實現了突破性的進展，為用戶帶來了前所未有的便利性和高品質影像生成體驗。其開源特性也為AI影像生成技術的發展貢獻了重要力量。