智譜技術(shù)團隊今天宣布開源文生圖模型CogView3 及 CogView3-Plus-3B ，該系列模型的能力已經(jīng)上線“智譜清言”App。
據(jù)介紹，CogView3 是一個基于級聯(lián)擴散的 text2img 模型，其包含如下三個階段：
第一階段：利用標(biāo)準(zhǔn)擴散過程生成 512x512 低分辨率的圖像。
第二階段：利用中繼擴散過程，執(zhí)行 2 倍的超分辨率生成，從 512x512 輸入生成 1024x1024 的圖像。
第三階段：將生成結(jié)果再次基于中繼擴散迭代，生成 2048×2048 高分辨率的圖像。
官方表示，在實際效果上，CogView3 在人工評估中比目前最先進的開源文本到圖像擴散模型 SDXL 高出 77.0%，同時只需要 SDXL 大約 1/10 的推理時間。
CogView3-Plus 模型則在 CogView3（ECCV'24）的基礎(chǔ)上引入了最新的 DiT 框架，以實現(xiàn)整體性能的進一步提升。據(jù)介紹，其采用 Zero-SNR 擴散噪聲調(diào)度，并引入了文本-圖像聯(lián)合注意力機制。與常用的 MMDiT 結(jié)構(gòu)相比，它在保持模型基本能力的同時，有效降低訓(xùn)練和推理成本。CogView-3Plus 使用潛在維度為 16 的 VAE。
附地址如下：
開源倉庫地址：
https://github.com/THUDM/CogView3
Plus 開源模型倉庫：
https://huggingface.co/THUDM/CogView3-Plus-3B
https://modelscope.cn/models/ZhipuAI/CogView3-Plus-3B 
