替代注意力体制，SSM 真的大有可为？
为了用更少的算力让集中模型生成高分辨率图象，注意力体制可以不要，这是康奈尔大学和苹果的一项最新研究所给出的结论。
众所周知，注意力体制是 Transformer 架构的核心组件，对于高质量的文本、图象生成都至关重要。但它的缺陷也很明显，即算计复杂度会随着序列长度的增加呈现二次方增长。这在长文本、高分辨率的图象处理中都是一个令人头疼的问题。
为了解决这个问题，这项新研究用一个可扩展性更强的状态空间模型（SSM）主干替代了传统架构中的注意力体制，开发出了一个名为 Diffusion State Space Model（DIFFUSSM）的新架构。这种新架构可以运用更少的算力，媲美或超越具有注意力模块的现有集中模型的图象生成效果，出色地生成高分辨率图象。
得益于上周「Mamba」的发布，状态空间模型 SSM 正受到越来越多的关注。Mamba 的核心在于引入了一种新的架构 ——「选择性状态空间模型（ selective state space model）」，这使得 Mamba 在语言建模方面可以媲美甚至击败 Transformer。当时，论文作家 Albert Gu 表示，Mamba 的成功让他对 SSM 的未来充满了信心。如今，康奈尔大学和苹果的这篇论文似乎又给 SSM 的应用前景增加了新的例证。
微软首席研究工程师 Shital Shah 提醒说，注意力体制可能要从坐了很久的王座上被拉下来了。
论文概览
图象生成领域的迅速进展得益于去噪集中概率模型（DDPMs）。这类模型将生成过程建模为迭代去噪潜变量，当执行足够的去噪步骤时，它们能够产生高保真度的样本。DDPMs 捕捉复杂视觉分布的能力使其在推动高分辨率、照片级合成方面具有潜在的优势。
在将 DDPMs 扩展到更高分辨率方面仍然存在重要的算计挑战。主要瓶颈是在实现高保真生成时依赖自注意力。在 U-Nets 架构中，这个瓶颈来自将 ResNet 与注意力层相结合。DDPMs 超越了生成对抗网络 (GANs)，但需要多头注意力层。在 Transformer 架构中，注意力是中心组件，因此对于实现最新的图象合成结果至关重要。在这两种架构中，注意力的复杂性，与序列长度成二次方关系，所以当处理高分辨率图象时将变得不可行。
算计成本促使以往的研究者们运用表示压缩方法。高分辨率架构通常采用分块化（patchifying）或多尺度分辨率。通过分块化可以创建粗粒度表示，降低算计成本，但代价是牺牲关键的高频空间信息和结构完整性。多尺度分辨率虽然可以减少注意层的算计，但也会通过降采样减少空间细节并在应用上采样时引入伪影。
集中状态空间模型（DIFFUSSM）是一种不运用注意力体制的集中架构，它旨在解决在高分辨率图象合成中应用注意力体制时出现的问题。DIFFUSSM 在集中过程中采用了门控状态空间模型 (SSM)。之前的研究表明，基于 SSM 的序列模型是一种有效而且高效的通用神经序列模型。通过运用这种架构，可以使 SSM 核心处理更细粒度的图象表示，消除全局分块化或多尺度层。为进一步提高效率，DIFFUSSM 在网络的密集组件中采用沙漏 (hourglass) 架构。
作家在不同分辨率下验证了 DIFFUSSM 的性能。在 ImageNet 上的实验证明，在各种分辨率下，DIFFUSSM 在 FID、sFID 和 Inception Score 上都取得了一致的改进，并且总 Gflops 更少。
论文链接：https://arxiv.org/pdf/2311.18257.pdf
DIFFUSSM 框架
作家的目标是设计一种集中架构，能够在高分辨率下学习长程相互作用，而无需像分块化那样进行「长度缩减」。与 DiT 类似，该方法通过展平图象并将其视为序列建模问题来实现。然而，与 Transformer 不同，这种方法在这个序列的长度上运用次二次（sub-quadratic）算计。
DIFFUSSM 的核心组件是优化处理长序列的门控双向 SSM。为了提高效率，作家在 MLP 层中引入沙漏架构。这种设计在双向 SSM 周围交替扩展和收缩序列长度，同时在 MLP 中特定地减少序列长度。完整的模型架构如图 2 所示。
具体来说，每个沙漏层接收经过缩短并展平的输入序列 I ∈ R^(J×D)，其中 M = L/J 是缩小和放大的比例。同时，整个块，包括双向 SSM，在原始长度上进行算计，充分利用全局上下文。文中运用 σ 表示激活函数。对于 l ∈ {1 . . . L}，其中 j = ⌊l/M⌋，m = l mod M，D_m = 2D/M，算计方程如下所示：
作家在每个层中运用跳跃连接集成门控 SSM 块。作家在每个位置集成了类标签 y ∈ R^(L×1) 和时间步 t ∈ R^(L×1) 的组合，如图 2 所示。
参数：DIFFUSSM 块中参数的数量主要由线性变换 W 决定，其中包含 9D^2 + 2MD^2 个参数。当 M = 2 时，这产生了 13D^2 个参数。DiT 变换块在其核心变换层中有 12D^2 个参数；然而，DiT 架构在其他层组件（自适应层归一化）中具有更多的参数。研究者在实验中通过运用额外的 DIFFUSSM 层来匹配参数。
FLOPs：图 3 比较了 DiT 和 DIFFUSSM 之间的 Gflops。DIFFUSSM 一层的总 Flops 为
，其中 α 代表 FFT 实现的常数。当 M = 2 且线性层主导算计时，这大约产生 7.5LD^2 Gflops。相比之下，如果在这个沙漏架构中运用全长的自注意力而不是 SSM，会有额外的 2DL^2 Flops。
考虑两种实验场景：1) D ≈ L = 1024，这将带来额外的 2LD^2 Flops，2) 4D ≈ L = 4096，这将产生 8LD^2 Flops 并显著增加成本。由于双向 SSM 的核心成本相对于运用注意力的成本较小，因此运用沙漏架构对基于注意力的模型不起作用。正如前面讨论的，DiT 通过运用分块化来避免这些问题，以代价是压缩表示。
实验结果
类别条件图象生成
表 1 是 DIFFUSSM 与目前所有的最先进的类别条件生成模型的比较结果。
当没有运用无分类器辅导时，DIFFUSSM 在 FID 和 sFID 两方面均优于其他集中模型，将之前非无分类器辅导潜在集中模型的最佳分数从 9.62 降至 9.07，同时运用的训练步骤减少到原来的 1/3 左右。在训练的总 Gflops 方面，未压缩模型相较于 DiT 减少了 20% 的总 Gflops。当引入无分类器辅导时，模型在所有基于 DDPM 的模型中获得了最佳的 sFID 分数，超过了其他最先进的策略，表明 DIFFUSSM 生成的图象对于空间失真更具鲁棒性。
DIFFUSSM 在运用无分类器辅导时的 FID 分数超越了所有模型，并在与 DiT 相比时保持了相当小的差距（0.01）。需要注意的是，在没有应用无分类器辅导的情况下，以减少 30% 的总 Gflops 训练的 DIFFUSSM 已经超过了 DiT。U-ViT 是另一种基于 Transformer 的架构，但采用了基于 UNet 的架构，块之间有长跳连接。U-ViT 在 256×256 分辨率下运用较少的 FLOPs，并在性能上表现更好，但在 512×512 数据集中情况并非如此。作家主要与 DiT 进行比较，为了公平，没有采用这种长跳连接，作家认为采用 U-Vit 的思想可能对 DiT 和 DIFFUSSM 都有益处。
作家进一步在更高分辨率的基准上运用无分类器辅导进行比较。DIFFUSSM 的结果相对强劲，并接近最先进的高分辨率模型，仅在 sFID 上不及 DiT，并获得了可比较的 FID 分数。DIFFUSSM 在 302M 张图象上进行了训练，观察了 40% 的图象，运用的 Gflops 比 DiT 少了 25%。
无条件图象生成
作家将模型的无条件图象生成能力与现有基线进行比较。结果显示在表 2 中。作家的研究发现，DIFFUSSM 在与 LDM 相当的训练预算下取得了可比较的 FID 分数（差距为 – 0.08 和 0.07）。这个结果突显了 DIFFUSSM 在不同基准和不同任务中的适用性。与 LDM 类似，由于只运用 ADM 总训练预算的 25％，因此在 LSUN-Bedrooms 任务中，该方法并未超过 ADM。对于这个任务，最佳 GAN 模型在模型类别上胜过集中模型。
更多内容请参考原论文。