STAR：文本生成图像模型中的璀璨之星！自回归取代扩散
Ray大家好，今天我们来聊聊最新的模型—STAR模型
一种基于自回归方法的T2I模型。
想必大家都对AI生成的图像不陌生，但STAR模型的出现，无疑将这一领域推向了一个新的高度。
STAR模型是什么？
STAR模型是一种自回归文本至图像的生成模型。
它通过多尺度的方法来改进图像生成的质量和效率。
相比较主流的扩散模型，STAR采用自回归方法，在效率上有了显著提升。
仅仅用2.9s就能生成高质量的图像！
这个速度简直比我拿出手机打开相机想记录下眼前美好的一刻都要快~
模型实现思路
STAR模型生成图像步骤：
预训练的文本编码器：使用预训练的文本编码器来提取文本的特征表示，这些特征将作为生成图像的指导。
多尺度交叉注意力层：模型在每个尺度上加入了交叉注意力层，这样做可以改善文本指导与生成图像之间的交互，提高生成结果的可控性和精细度。
归一化的旋转位置编码（RoPE）：STAR模型还采用了一种新的位置编码方法，以确保在不同尺度的图像生成中能够保持相对位置的一致解释，这一点对于保持训练过程的稳定性至关重要。
模型效果展示
STAR模型生成的图像无论是在图像细节与真实性、文本与图像的一致性以及美观度上。
都超越了现有模型的基准。
尤其在处理细节丰富的图像，如动物毛发、植物叶片和人脸特征时，STAR模型能生成更加细腻和高质量的图像。
看着下面生成的图像 我不禁感慨“AI真的在改变世界”
生成的图像与SDXL及PixArt-α等模型相比，有着更加细腻清晰的表现。
并且在专为评估美学质量设计的MJHQ-30K基准测试中的FID和CLIP score也都超越了SDXL和PixArt-α等模型。
同时STAR在ImageReward上也有着不俗的表现数据。
总结
STAR模型的提出为当前由扩散方法主导的文本到图像生成领域带来了新的思路。
它在生成高质量图像的同时大幅缩短了推理时间，这对于需要实时生成图像的应用尤其重要。
我们有理由相信，随着这项技术的不断发展，AI在艺术和创意领域的角色将变得更加重要。
STAR模型展示了自回归方法在未来视觉生成任务中的巨大潜力。
大家请共同期待STAR带来的更多奇迹！
扫码加入AI交流群
获得更多技术支持和交流
关注「向量光年」公众号
加速全行业向AI的改变
关注「开源AI项目落地」公众号
与AI时代更靠近一点
关注「AGI光年」公众号
获取每日最新咨询
编辑推荐精选
Trae
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。
问小白
全能AI智能助手，随时解答生活与工作的多样问题
问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。
Transly
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。
讯飞智文
一键生成PPT和Word，让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用 户精准表达，轻松呈现各种信息。
讯飞星火
深度推理能力全新 升级，全面对标OpenAI o1
科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。
Spark-TTS
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。
咔片PPT
AI助力，做PPT更简单！
咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。
讯飞绘文
选题、配图、成文，一站式创作，让内容运营更高效
讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。
材料星
专业的AI公文写作平台，公文写作神器
AI 材 料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。
openai-agents-python
OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号