378. 绘图AI的三种形式

不少。”孟繁岐想起这件事情还是觉得疲倦。

之所以要拆分出这么多模块，其中最大的原因就是计算资源消耗的问题。

图像的分辨率是平方，T方法内的运算又有维度上平方的操作，用户觉得256和512分辨率的图片差不多，可反应到全局则往往会是一個数量级的提升。

为此，只得将扩散模型的学习步骤放到低纬度空间里进行采样。

说直白点，就是先把分辨率搞低，从而极大地减少扩散前后步骤的计算量。

“这样做会不会有损性能？使得生成的图片效果不够好？”决定发布这版本算力上有所阉割的扩散模型，CloseAI内部也提出了这样的担忧。

毕竟算法方面其实可以做得更好，虽然代价会大一些。

“这里也不仅仅是计算时间的问题，同时也是显存的问题。不做这种拆分和图像分辨率的阉割，相同的一张卡不仅运算速度变慢一个数量级，能够同时进行的任务也少了好几倍。”孟繁岐坚持先解决用户数量的问题，性能和效果可以慢慢去优化。

这就像是一个巨大的胖子来吃饭，不仅用餐时间是别人好几倍，他一个人还能坐四个座位。

在孟繁岐看来，ControlNet提出之前，首先发布的绘图AI也只是一个玩具。

其性能有所上下波动无伤大雅，因为早期优质出图的成功率本来也不高，往往是需要大量测试后挑选一个能看的。

这主要是因为不管是文生图还是图生图，在早期都缺乏一个特别好的控制手段。

“

本章未完，请点击下一页继续阅读！ 第3页 / 共4页