一种专为实时交互式图像生成而设计的一站式解决方案，登顶GitHub热榜。
方案名为StreamDiffusion，支持多种模型和输出帧率。
无论是图像到图像，还是文本到图像，都能实时生成：
重点是，该项目现已开源，在GitHub热榜已狂揽3400+星。
经测试，使用SD-turbo模型在去噪步骤为1步的情况下，文本-图像每秒帧率可达106，图像-图像每秒帧率达到93。
CM-LoRA+KohakuV2模型在4步的情况下，文本-图像每秒帧率为38，图像-图像每秒帧率为37。
除了高吞吐量、低延迟，StreamDiffusion还做到了低功耗。单块RTX3060上，可降低58.2%的功耗；单块RTX4090，降低49.8%。
网友们也是玩嗨了，纷纷上手尝试：
浅浅留下一个字：
01 StreamDiffusion长啥样？
StreamDiffusion由来自UC伯克利、日本筑波大学等的研究人员联合提出。
StreamDiffusion Pipeline包含六大组件：Stream Batch、残差无分类器指导（RCFG）、输入-输出队列、随机相似性过滤器、KV-Caches预计算、带有小型自动编码器的模型加速工具。
首先Stream Batch，是将原来顺序的去噪步骤改为批量化处理。允许在一个批处理中，每幅图像处于去噪流程的不同阶段。
如此一来，可以大大减少UNet推理次数，显著提高吞吐量。
此外，原先的CFG算法中，需要额外大量计算负样本，导致计算效率低下。
RCFG方法则构建一个“虚拟残差噪声”，这样就只需要一次或者零次负样本计算，减少了计算负样本的开销。
相比之前的CFG方法加速了2倍。
而输入-输出队列主要是利用队列存储缓冲输入和输出，将图像数据预处理等操作与UNet主体网络分隔开，实现pipeline各个处理环节的并行化，防止处理速度不匹配的情况发生。
随机相似性过滤器，可以基于图像相似性跳过一些UNet处理，减少不必要的计算量，降低功耗：
预计算则是提前缓存一些静态量，如提示嵌入、噪声样本等，减少每次生成的重复计算。
最后，使用TensorRT、Tiny AutoEncoder等加速模块，对模型进行优化，进一步提升推理速度。
在测试阶段，研究人员使用SD-turbo、512×512分辨率、批处理大小为1，进行文本到图像的生成。
结果，使用StreamDiffusion可以在10毫秒内生成一张图像，也就是一秒100多张图。
参考链接：https://github.com/cumulo-autumn/StreamDiffusion
本文来自微信公众号“量子位”（ID:QbitAI），作者：关注前沿科技
相关文章
