前言
Stability AI 作为开源图像生成领域的领军者，不断突破技术边界，6 月 12 日发布了其最新一代文本到图像生成模型——Stable Diffusion 3。这次发布的是 Stable Diffusion 3 的 Medium 模型，拥有 20 亿参数，在图像质量、文本遵循度和排版方面都展现出超越现有模型的强大实力。Stability AI 未来还将开源 40 亿和 80 亿参数的版本，进一步提升模型能力，满足不同用户的需求。
技术特点
Stable Diffusion 3 的核心技术是全新的 多模态扩散 Transformer (MMDiT) 架构。与以往版本相比，MMDiT 采用独立的权重集分别处理图像和语言表示，从而提升了模型对文本的理解能力，并改善了文本生成效果：
- 独立权重集： MMDiT 架构使用独立的权重集来处理图像和文本信息。这使得图像和文本能够在各自的空间中进行独立的处理，同时也能相互影响，提升模型对文本的理解能力和图像生成效果。
- 双向信息流： MMDiT 允许信息在图像和文本 token 之间双向流动。这意味着，模型不仅可以根据文本生成图像，还可以根据图像生成文本，并能更准确地将文本信息融入到图像中，提升图像质量和文本遵循度。
Stable Diffusion 3 采用了一种新颖的 修正流 (Rectified Flow, RF) 公式，通过将数据和噪声在训练过程中连接成线性轨迹，实现了更直接的推断路径，从而使用更少的采样步骤就能生成高质量的图像。此外，Stable Diffusion 3 还引入了新的 轨迹采样调度，对轨迹中间部分进行加权，从而提高模型在训练过程中的预测能力。
性能表现
Stability AI 对 Stable Diffusion 3 进行了大量测试，并将生成结果与包括 DALL·E 3、Midjourney v6、Ideogram v1 以及其他开源模型在内的多个模型进行了比较。结果表明，Stable Diffusion 3 在以下方面展现出优势：
- 文本遵循度： Stable Diffusion 3 在文本遵循度方面表现出色，能够更准确地将文本内容融入到图像中，生成的图像更符合文本描述。
- 图像质量： Stable Diffusion 3 生成的图像具有更高的视觉质量，细节更丰富，更具艺术性。
- 排版能力： Stable Diffusion 3 在排版方面也展现出强大的能力，能够根据文本信息生成更美观、更易读的图像。
在实际应用中，Stable Diffusion 3 的 80 亿参数可以在 RTX 4090 显卡上运行，并能够在 34 秒内生成分辨率为 1024x1024 的图像。为了降低硬件门槛，Stability AI 将发布多个版本的 Stable Diffusion 3，包括 40 亿和 80 亿参数的模型，以满足不同用户的需求。
应用场景
Stable Diffusion 3 具有广泛的应用场景，能够为各种需要图像生成的应用提供强大的支持：
- 艺术创作： 艺术家可以使用 Stable Diffusion 3 来生成各种风格的图像，帮助他们进行创作和实验。
- 广告设计： 广告设计师可以使用 Stable Diffusion 3 来快速生成符合创意要求的广告图片，提升广告效果。
- 游戏开发： 游戏开发者可以使用 Stable Diffusion 3 来生成游戏场景、人物、道具等图像，提高游戏的美观度和沉浸感。
- 影视制作： 影视制作人员可以使用 Stable Diffusion 3 来生成电影、电视剧等作品中的场景、道具等图像，提升作品的视觉效果。
总结
Stable Diffusion 3 的发布，标志着文本到图像生成技术取得了新的突破。其全新的多模态扩散 Transformer 架构、卓越的生成效果以及广泛的应用场景，使其成为目前最值得期待的开源图像生成模型之一。相信随着技术的不断发展，Stable Diffusion 3 将为图像生成领域带来更多可能性，并为各个行业带来更大的价值。
