近日，英伟达开源了一款名为 Sana 的图像生成模型，这一模型仅有0.6亿个参数，极大降低了运行门槛。
据了解，Sana 能够生成4096×4096分辨率的图像，并且可以在16GB 的显卡上运行，不到1秒的时间内生成1024×1024分辨率的高质量图片，这一速度在同类模型中表现突出。
研究团队引入了一种深度压缩自编码器（DC-AE），相比于传统的自编码器，Sana 的压缩比高达32倍，大大减少了潜在标记的数量，这对于生成超高分辨率图像至关重要。其次，Sana 采用了线性扩散变换器(DiT)，用线性注意力取代了传统的二次注意力，从而将复杂度降低到 O (N)，并通过3×3深度卷积提升了局部信息的捕捉能力。这样的设计使得 Sana 在生成4K 图像时延迟提高了1.7倍。
在文本编码方面，Sana 选择了小型的解码器专用大语言模型 Gemma，取代了传统的 T5模型。Gemma 在理解和执行复杂指令方面表现更为出色，增强了图像与文本之间的对齐能力。此外，Sana 还优化了训练和推理策略，通过自动标记和选择高 CLIP 评分的描述，提升了文本与图像的一致性。新提出的 Flow-DPM-Solver 算法将推理步骤减少到了14-20步，显著提高了性能。
综合性能方面，Sana 在多个先进的文本到图像扩散模型中表现优异。在512×512分辨率下，Sana-0.6的吞吐量是 PixArt-Σ 的5倍，并且在图像生成质量方面表现出色。而在1024×1024分辨率下，Sana-0.6B 在小于3亿参数的模型中也有着显著的优势。
Sana-0.6B 不仅性能强劲，还可以在16GB 的笔记本 GPU 上快速生成图像，助力内容创作者高效地实现创作目标。据称，Sana0.6B性能上和Flux-12B也具备竞争力，参数量只有其1/20，速度却是整整快100倍。
有趣的是，Sana提示词支持英文、中文和 emoji。用户可以输入中文诗句，生成与之相关的艺术图像。此外，Sana 还具有一定的安全性，当用户输入不当词汇时，系统会自动用红心图案❤️替代，从而避免不适内容的生成。
比如AIbase输入提示词“一只猫咪在草地玩耍，星星🌟”，生成速度很快，效果也特备不错。
又比如给出提示词“一只可爱的 🐼 在吃 🎋， 水墨画风格”，可以看到模型能精准识别emoji。
值得一提的是，Sana 已获得官方对 ComfyUI 的支持，并配备了 Lora 训练工具。这使得用户在使用过程中更加便捷，实用性也大幅提升，感兴趣的朋友可以自己试试。
项目入口:https://nv-sana.mit.edu/
划重点:
🌟 * 高效生成 *:Sana 能够快速生成高达4096×4096分辨率的高质量图像，适合在普通笔记本 GPU 上使用。
⚙️ * 创新设计 *:深度压缩自编码器和线性扩散变换器大幅提升了生成速度和质量。
🚀 * 卓越性能 *:Sana 在多项测试中表现优异，吞吐量显著高于其他先进模型，支持快速内容创作。