开源AltDiffusion-m18 ，18种语言文图生成all in one

---

  新智元报道  

智源研究院 FlagAI 团队首创高效训练方式，使用多语言预训练模型和 Stable Diffusion 结合，训练多语言文图生成模型 —— AltDiffusion-m18，支持18种语言的文图生成。

包括中文、英文、日语、泰语、韩语、印地语、乌克兰语、阿拉伯语、土耳其语、越南语、波兰语、荷兰语、葡萄牙语、意大利语、西班牙语、德语、法语、俄语。

GitHub：https://github.com/FlagAI-Open/FlagAI/blob/master/examples/AltDiffusion-m18

AltDiffusion-m18  在英文的 FID、IS、CLIP score 客观评测上达到了 Stable Diffusion 95~99% 效果，在中文、日文上达到了最优水平，同时填补了其余 15 种语言文图生成模型的空白，极大满足了产业界对于多语言文图生成的强烈需求。在此，特别鸣谢 Stable Diffusion Research Team 为这项工作提供建议。

此外，AltDiffusion-m18 相关创新技术报告《AltCLIP: Altering the Language Encoder in CLIP for Extended Language Capabilities》已被 Findings of ACL 2023 接收。

1 全新 AltCLIP，高效、低成本构建多语言 T2I 模型

在去年发布的 AltDiffusion-m9  中，智源团队基于 Stable Diffusion  v1.4，创新性地更换语言塔为多语言塔 AltCLIP，并使用九种语言的多语言数据进行微调，将原始仅支持英文的  Stable Diffusion 扩展到支持 9 种不同的语言。

而 AltDiffusion-m18 基于 Stable Diffusion v2.1 训练。Stable Diffusion  v2.1 新的语言塔为 OpenCLIP 的倒二层，因此，全新的 AltCLIP 以 OpenCLIP 的倒二层作为蒸馏目标重新训练，并且在 m9 的基础上将仅对 Unet 中 CrossAttention 层 K,V 矩阵微调，扩展成两阶段的训练方式，如下图所示：

- 第一阶段：早前在 m9 的实验过程中发现，微调 K,V 矩阵主要学习的是文图的概念对齐，所以 m18 训练的第一阶段继续使用 18 语言的数据进行K,V矩阵的微调。此外，通过实验证明，将图片从 512*512 的分辨率降低到 256*256 并不会损失图片的语义信息。因此，在第一阶段学习文图概念对齐的过程中使用 256*256 的分辨率进行训练，加快了训练速度。

- 第二阶段：为了进一步提高生成图像的质量，使用 512*512 的分辨率在 18 语言的数据中进行 Unet 全量参数的训练。此外，丢掉 10% 的文本来进行 uncondition 的训练，来服务 classifier-free guidance 的推理。

- 此外，采用了一种无分类器引导训练技术，进一步提高生成质量。

最新评测结果显示，AltCLIP-m18 在中英文 zero-shot（零样本）检索任务上超过 CLIP 达到了最优水平⬇️

在多语言图片分类 benchmarks 上，AltCLIP-m9（早期版本，支持9种语言） 与 AltCLIP-m18 达到最优水平⬇️

同样，得益于 AltCLIP 创新性的换塔思路，AltDiffusion-m18 也可以无缝接入 Stable Diffusion 所有建立在原 CLIP 上的模型和生态工具，所有支持 Stable Diffusion 的工具如 Stable Diffusion WebUI，DreamBooth 等都可应用 AltDiffusion-m18 上。无痛上手，可玩性极佳！

2 多语言生成效果对齐，性能优越、细节准确

在全新 AltCLIP 的加持下，AltDiffusion-m18 在英文的 FID、IS、CLIP score 评测中达到了原始 Stable Diffusion  95～99% 的效果，并在中文、日文等 17 种语言中实现了最先进的性能，详细数据如下表所示：

在英文、中文、日文上，AltDiffusion-m18 与其他模型生成结果相比，效果更优越、细节更准确：

上图(a)中 AltDiffusion-m18 可以生成跟原始  Stable Diffusion  高度一致的结果，并且在 prompt 理解上优于国内其他中英双语模型，例如："A stuffed bear", "A black and white photo", "cat"等在国内其他中英双语模型中生成失败的概念可以在 AltDiffusion 中成功生成。同样的现象在中文和日文中也有出现。

上图(b)中的"黑色沙发，木地地板"仅有 AltDiffusion-m18 正确生成。

上图(c)中的"bears"，Japanese  Stable Diffusion  错误生成为“人类”，AltDiffusion-m18 可以正确生成为“熊”。

此外，智源 FlagEval 团队开发了文图生成模型评测工具 ImageEval。经评测，AltDiffusion-m18 在实体对象、实体数量维度上的准确度分别超过国内同行模型 11%、 10%（注：ImageEval 评测方法和结果将于近期公开发布，敬请期待）。

3 小语种文生图救星，提供多语言文图生成模型参照系

AltDiffusion-m18 从多语言的数据中学到了不同语言的偏置，帮助用户越过语言翻译门槛、绕过文化转译，减少了语言背后文化信息的丢失。如下图所示，中文、日文 Prompt 生成的小男孩的脸部轮廓更加“亚洲风”，而英语及其他欧洲地区语言 prompt 生成小男孩则更加“欧美风”。

更加有趣的是，在不同语言下动物的 prompt 生成的图片细节也有差异。如下图所示，虽然不同语言生成的图片整体上具有高度一致性，但画面背景和柯基的五官细节都有细微差异。

总的来说，AltDiffusion-m18 为多语言文图生成模型提供了一个基础参照系。以西班牙语、德语、法语等15 种语言为母语的用户，不必再将脑海中的 prompt 翻译成英文，就可以感受到 AIGC 的乐趣。AI 调教高手们还可以在 AltDiffusion-m18 基础上结合 DreamBooth 、ControlNet 和 LoRA 等进一步优化，或者使用其他语言的语料微调得到更好的文图生成效果。

同时，大模型算法、模型及工具一站式开源项目—— FlagAI (github.com/FlagAI-Open/FlagAI)也提供了训练推理的工具和 API ，方便大家快速下载和使用 AltDiffusion-m18 。