/ Модель

Характеристики

Лицензия
MIT
Опубликована
8 окт 2024

hart-0.7b-1024px

Генерация изображенийТекст → изображение

HART — авторегрессионная модель MIT HAN Lab для безусловной генерации изображений разрешением 1024×1024 пикселя.

0скачиваний за 30 дней15лайковвеса обновлены17 ноя 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

HART — Hybrid Autoregressive Transformer, модель генерации изображений, разработанная MIT HAN Lab. Она создаёт изображения размером 1024×1024 пикселя и предназначена для генерации изображений без заданного текстового условия.

Модель сочетает авторегрессионную генерацию дискретных токенов, задающих общую структуру изображения, с лёгким диффузионным модулем на 37 млн параметров, который восстанавливает остаточные детали. В README сообщается о качестве генерации, сопоставимом с диффузионными моделями, и более высокой пропускной способности; конкретные условия и метрики следует сверять с описанием экспериментов в статье.

Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Модель предназначена для генерации изображений и не заявлена как система генерации по текстовому запросу.

Сценарии применения

  • создание изображений без текстового запроса
  • генерация квадратных изображений высокого разрешения
  • эксперименты с авторегрессионной генерацией изображений
  • сравнение качества и скорости генерации с диффузионными моделями

Ограничения

Модель предназначена для безусловной генерации изображений; генерация по текстовым запросам в карточке не заявлена. Приведённые в README сравнительные показатели относятся к описанным там экспериментам.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

HART: Efficient Visual Generation with Hybrid Autoregressive Transformer

Abstract

We introduce Hybrid Autoregressive Transformer (HART), an autoregressive (AR) visual generation model capable of directly generating 1024x1024 images, rivaling diffusion models in image generation quality. Existing AR models face limitations due to the poor image reconstruction quality of their discrete tokenizers and the prohibitive training costs associated with generating 1024px images. To address these challenges, we present the hybrid tokenizer, which decomposes the continuous latents from the autoencoder into two components: discrete tokens representing the big picture and continuous tokens representing the residual components that cannot be represented by the discrete tokens. The discrete component is modeled by a scalable-resolution discrete AR model, while the continuous component is learned with a lightweight residual diffusion module with only 37M parameters. Compared with the discrete-only VAR tokenizer, our hybrid approach improves reconstruction FID from 2.11 to 0.30 on MJHQ-30K, leading to a 31% generation FID improvement from 7.85 to 5.38. HART also outperforms state-of-the-art diffusion models in both FID and CLIP score, with 4.5-7.7x higher throughput and 6.9-13.4x lower MACs.

Useful links

Citation

@article{tang2024hart,
  title={HART: Efficient Visual Generation with Hybrid Autoregressive Transformer},
  author={Tang, Haotian and Wu, Yecheng and Yang, Shang and Xie, Enze and Chen, Junsong and Chen, Junyu and Zhang, Zhuoyang and Cai, Han and Lu, Yao and Han, Song},
  journal={arXiv preprint},
  year={2024}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Безусловная генерация изображений пока не поддерживается.

Ревизия весов
b1521ff

0 моделей