安德烈亚斯·布拉特曼

概况

安德烈亚斯·布拉特曼（Andreas Blattmann）从事生成式图像模型研究。他是《High-Resolution Image Synthesis with Latent Diffusion Models》的第二作者，这篇论文是 Stable Diffusion 的基础；他同时也是 Stable Diffusion 3 论文《Scaling Rectified Flow Transformers for High-Resolution Image Synthesis》的共同作者。^[1][5][2] 2024 年，他与他人共同创办了 Black Forest Labs，这家公司随后发布了 FLUX.1 系列图像模型。^[3][4]

把扩散搬进潜空间

潜空间扩散这篇论文于 2021 年 12 月 20 日提交到 arXiv，并在 CVPR 2022 被接收。^[5] 它处理的是扩散模型（diffusion model）这一类方法：从一团噪声出发，一步步去掉噪声，最终得到图像；去噪的每一步由一个网络预测该去掉什么。论文要解决的问题是，直接在像素上做这件事代价太高——高分辨率图像包含的数值极多，而每一次去噪都要处理全部数值。

论文的办法是把扩散过程移出像素空间。它不直接在原始图像上训练扩散模型，而是在预训练自编码器（autoencoder）的潜空间（latent space）里训练：先由自编码器把图像压缩成一个更小、更稠密的表示，扩散模型在这个表示上训练和采样，最后再解码回图像。在压缩后的空间里工作，使训练和采样变得更便宜，同时仍能生成高分辨率图像。^[5]

第二个要点是对生成内容的控制。论文加入了交叉注意力层（cross-attention），使模型可以以文本或边界框为条件，也就是说，同一个生成模型既可以由一段文字描述驱动，也可以由一组物体位置的布局驱动，而不只是无条件地生成图像。^[5] 正是这一机制把一个扩散模型变成了文生图模型。

Stable Diffusion 3

2024 年 3 月，布拉特曼是《Scaling Rectified Flow Transformers for High-Resolution Image Synthesis》的共同作者，这篇论文与 Stable Diffusion 3 相关。^[2] 标题点出了相对早期方案的两处变化：训练方法上采用整流流（rectified flow），骨干网络上采用 Transformer，并且都用在达到高分辨率合成所需的规模上。用一般的话说，整流流是学习一条把噪声样本带向数据样本的路径，并尽量让这条路径接近直线，从而更容易被近似和积分。论文关心的是，当模型和数据规模放大时，这种做法表现如何。

Black Forest Labs 与 FLUX.1

2024 年，布拉特曼与 Robin Rombach、Patrick Esser 共同创办了 Black Forest Labs。^[3] 公司在 2024 年 8 月 1 日发布了 FLUX.1 系列模型。^[4]

在当天的发布公告中，几位创始人把团队的技术积累概括为 VQGAN、Latent Diffusion、Stable Diffusion 系列模型、Rectified Flow Transformers 以及 Adversarial Diffusion Distillation。^[6] 这份清单几乎就是一条简短的技术脉络：图像压缩模型、把扩散搬进压缩后的空间、建立在这一方法上的开放图像模型、更新的训练形式，以及用于加快采样的蒸馏技术。

影响

这项工作的重要性在于，它让从文字生成高分辨率图像变得可以训练、也可以运行。潜空间扩散的表述是 Stable Diffusion 的基础，而 Stable Diffusion 是把开放的文生图能力带到公众面前的模型之一。^[1] 后续的论文与公司延续了同一方向：一个旨在让噪声到图像的「运输」更高效的训练目标，以及建立在其上的一系列已发布模型。^[2][6] 从潜空间扩散论文的第二作者，到 Stable Diffusion 3 论文的共同作者，再到 FLUX.1 背后公司的共同创办人，布拉特曼的位置使他属于把这一方法从 2021 年的一篇研究论文，推进到被发布和使用的系统的那批人。^[5][2][3]