蘋果重拾「標準流」技術 老技術將重新生成AI圖像新戰局？

記者孟圓琦／編譯

在擴散模型與自迴歸模型主導生成式AI圖像領域的今日，蘋果近期發布的兩篇研究論文，為 AI 圖像生成技術開闢了一條新路徑。蘋果研究團隊重新挖掘並改進了一項曾被邊緣化的技術——「標準流（Normalizing Flows, NFs）」，並在結合Transformer架構後，展現出前所未有的潛力，預示著未來 AI 圖像生成可能會有更高效、更個人化的發展。

標準流：被遺忘的技術重獲新生

標準流（NFs） 是一種透過學習如何將真實世界數據（例如圖像）轉換為結構化噪點，再反向操作以生成新樣本的 AI 模型。其核心優勢在於能精確計算所生成圖像的機率，這是目前主流擴散模型無法比擬的特性，使其在需要理解結果機率的應用中更具吸引力。儘管早期的標準流模型在圖像細節和多樣性方面表現不佳，但蘋果的最新研究有望徹底改變這一現狀。

延伸閱讀：
蘋果傳洽談收購AI新星Perplexity 挑戰史上最大併購案
蘋果AirPods系列迎重大更新！AirPods Pro 3有望今年秋季亮相
蘋果Vision Pro帶你體驗《F1》飆速！感受與布萊德彼特同步賽車

TarFlow：Transformer 賦能標準流

在題為《Normalizing Flows are Capable Generative Models》的論文中，蘋果推出了名為 TarFlow（Transformer AutoRegressive Flow） 的新模型。TarFlow 的關鍵創新在於，它以 Transformer 區塊取代了以往標準流模型中需手工設計的層。這種設計讓模型能將圖像分割成小塊，並以自迴歸的方式依序生成，每個區塊都基於其前面的所有區塊進行預測。

與 OpenAI 等公司將圖像視為離散「tokens」（類似文字符號）的做法不同，蘋果的TarFlow直接生成像素值，無需預先將圖像標記化。儘管這差異看似微小，卻能有效避免因圖像壓縮成固定詞彙表而導致的品質損失和僵硬感，從而提升生成圖像的細膩度和真實性。然而，TarFlow 在處理高解析度大型圖像時仍面臨擴展性的挑戰。

STARFlow：為高解析度圖像合成而生

為了解決TarFlow的限制，蘋果在第二篇論文《STARFlow: Scaling Latent Normalizing Flows for High-resolution Image Synthesis》中，基於TarFlow進一步發展出 STARFlow（Scalable Transformer AutoRegressive Flow）。

STARFlow的最大改進，是它不再直接在像素空間中生成圖像，而是轉向在「潛在空間」進行操作。這意味著模型先處理圖像的壓縮版本，再由解碼器將其放大至完整解析度。這種方法讓 STARFlow 能更專注於掌握圖像的整體結構，而將精細紋理細節的生成交由解碼器完成，大幅提高了處理高解析度圖像的效率。

此外，蘋果也優化了模型處理文字提示的方式。STARFlow能直接整合現有的語言模型（如 Google 的小型語言模型 Gemma，理論上具備在裝置端運行的能力），來理解用戶的文字指令，使圖像生成模型能更專注於視覺細節的優化。

蘋果與 OpenAI 的 AI 圖像生成策略差異

儘管蘋果與 OpenAI 都正在探索超越傳統擴散模型，但兩者的策略方向截然不同。OpenAI 的 GPT-4o 模型將圖像視為一系列離散的「tokens」，可在單一統一的 token 流中同時生成文本、圖像和音頻，展現出極大的靈活性。然而，逐 token 生成的特性可能導致處理大尺寸或高解析度圖像時速度較慢，且運算成本高昂。由於 GPT-4o 完全依賴雲端運行，因此較不受延遲或功耗的限制。

相對地，蘋果的研究方向更傾向於裝置端（on-device）的高效能運算。STARFlow 的設計理念，特別是其處理潛在空間圖像和整合輕量級語言模型的能力，明確指出蘋果正致力於讓其 AI 圖像生成技術能在用戶的行動裝置上順暢運行，而非僅限於雲端數據中心。

資料來源：9to5mac

瀏覽 106 次