LightGen 主要作者来自香港科技大学和 Everlyn AI, 第一作者为香港科技大学准博士生吴显峰，主要研究方向为生成式人工智能和 AI4Science。通讯作者为香港科技大学助理教授 Harry Yang 和中佛罗里达副教授 Sernam Lim。
共同一作有香港科技大学访问学生白亚靖，香港科技大学博士生郑皓泽，Everlyn AI 实习生陈浩东，香港科技大学博士生刘业鑫。还有来自香港科技大学博士生王子豪，马煦然，香港科技大学访问学生束文杰以及 Everlyn AI 实习生吴显祖。
文本到图像（Text-to-Image, T2I）生成任务近年来取得了飞速进展，其中以扩散模型（如 Stable Diffusion、DiT 等）和自回归（AR）模型为代表的方法取得了显著成果。然而，这些主流的生成模型通常依赖于超大规模的数据集和巨大的参数量，导致计算成本高昂、落地困难，难以高效地应用于实际生产环境。
为了解决这一难题，香港科技大学 Harry Yang 教授团队联合 Everlyn AI 和 UCF，提出了一种名为 LightGen 的新型高效图像生成模型，致力于在有限的数据和计算资源下，快速实现高质量图像的生成，推动自回归模型在视觉生成领域更高效、更务实地发展与应用。
-
论文标题：LightGen: Efficient Image Generation through Knowledge Distillation and Direct Preference Optimization
-
论文链接：https://arxiv.org/abs/2503.08619
-
模型链接：https://huggingface.co/Beckham808/LightGen
-
项目链接：https://github.com/XianfengWu01/LightGen
LightGen 借助知识蒸馏（KD）和直接偏好优化（DPO）策略，有效压缩了大规模图像生成模型的训练流程，不仅显著降低了数据规模与计算资源需求，而且在高质量图像生成任务上展现了与 SOTA 模型相媲美的卓越性能。
LightGen 相较于现有的生成模型，尽管参数量更小、预训练数据规模更精简，却在 geneval 图像生成任务的基准评测中达到甚至超出了部分最先进（SOTA）模型的性能。
此外，LightGen 在效率与性能之间实现了良好的平衡，成功地将传统上需要数千 GPU days 的预训练过程缩短至仅 88 个 GPU days，即可完成高质量图像生成模型的训练。
LightGen 采用的训练流程主要包括以下关键步骤：
1. 数据 KD：利用当前 SOTA 的 T2I 模型，生成包含丰富语义的高质量合成图像数据集。这一数据集的图像具有较高的视觉多样性，同时包含由最先进的大型多模态语言模型（如 GPT-4o）生成的丰富多样的文本标注，从而确保训练数据在文本和图像两个维度上的多样性。
2.DPO 后处理：由于合成数据在高频细节和空间位置捕获上的不足，作者引入了直接偏好优化技术作为后处理手段，通过微调模型参数优化生成图像与参考图像之间的差异，有效提升图像细节和空间关系的准确性，增强了生成图像的质量与鲁棒性。
通过以上方法，LightGen 显著降低了图像生成模型的训练成本与计算需求，展现了在资源受限环境下获取高效、高质量图像生成模型的潜力。
作者通过实验对比了 LightGen 与现有的多种 SOTA 的 T2I 生成模型，使用 GenEval 作为 benchmark 来验证我们的模型和其他开源模型的性能。
结果表明，我们的模型在模型参数和训练数量都小于其他模型的的前提下，在 256×256 和 512×512 分辨率下的图像生成任务中的表现均接近或超过现有的 SOTA 模型。
LightGen 在单物体、双物体以及颜色合成任务上明显优于扩散模型和自回归模型，在不使用 DPO 方法的情况下，分别达到 0.49（80k 步训练）和 0.53 的整体性能分数。在更高的 512×512 分辨率上，LightGen 达到了可比肩当前 SOTA 模型的成绩，整体性能分数达到 0.62，几乎超过所有现有方法。特别地，加入 DPO 方法后，模型在位置准确性和高频细节方面的表现始终稳定提升，这体现了 DPO 在解决合成数据缺陷上的有效性。
消融实验结果显示，当数据规模达到约 100 万张图像时，性能提升会遇到瓶颈，进一步增加数据规模带来的收益很有限。因此，我们最终选择了 200 万张图像作为最优的预训练数据规模。
上图 (b) 探讨了不同训练迭代次数对 GenEval 在 256 与 512 分辨率下性能的影响。值得注意的是，在 256 像素阶段，仅经过 80k 训练步数便能达到相当不错的性能，这突显了数据蒸馏方法在训练效率上的优势。
LightGen 研究有效地降低了 T2I 模型训练的资源门槛，证明了通过关注数据多样性、小型化模型架构和优化训练策略，可以在极少量数据和计算资源的情况下达到最先进模型的性能表现。未来研究可进一步探索该方法在其他生成任务（如视频生成）上的应用，推动高效、低资源需求的生成模型进一步发展，以实现更加广泛的技术普及与落地应用。
（文：机器之心）
