深度求索推出统一图像理解和生成的创新框架JanusFlow：将图像理解和生成统一在一个模型中

来自深度求索（DeepSeek-AI）、香港大学、清华大学和北京大学的研究人员提出了一种名为JanusFlow的创新框架，该框架将图像理解和生成统一在一个模型中。JanusFlow引入了一个极简的架构，结合了自回归语言模型和校正流（rectified flow，一种在生成建模中的最先进方法）。研究的关键发现表明，校正流可以在大语言模型框架内直接训练，而无需复杂的架构修改。（相关：深度求索推出新颖自回归框架 Janus： 具有图像生成功能的 13 亿多模态模型）

• GitHub：https://github.com/deepseek-ai/Janus
• 模型：https://huggingface.co/deepseek-ai/JanusFlow-1.3B
• Demo：https://huggingface.co/spaces/deepseek-ai/JanusFlow-1.3B

例如，用户想要生成一张图片，文本提示是“一个穿着燕尾服、带着魔法帽的男人，背景是充满活力的背景，复杂的纹理和丰富的色彩，真实风格，正面视图”。JanusFlow能够理解这个复杂的指令，并生成一张符合描述的图像。这展示了JanusFlow在理解和执行详细文本指令方面的能力。

主要功能：

1. 多模态理解： JanusFlow能够处理包含文本和图像数据的输入序列，并自回归地预测下一个标记，以理解和回应图像内容。
2. 图像生成： 给定文本条件，JanusFlow能够使用校正流从高斯噪声开始迭代更新，生成相应的图像。

关键架构与策略

JanusFlow基于大语言模型（LLM），通过自回归方式处理输入序列，包括文本和图像数据。对于图像生成，模型使用校正流从噪声中逐步生成图像，通过预测速度向量来更新状态。此外，JanusFlow采用了两个关键策略：解耦理解编码器和生成编码器，以及在训练期间对齐它们的表示。

1. 极简架构

JanusFlow的核心架构包括两个主要组件：

• 自回归语言模型：用于处理文本生成和理解任务。
• 校正流：一种先进的生成建模方法，用于图像生成任务。

通过将这两个组件结合，JanusFlow能够在同一个模型中实现图像理解和生成的统一。

2. 解耦理解和生成编码器

为了进一步提高模型的性能，JanusFlow采用了两个关键策略：

• 解耦理解和生成编码器：通过解耦图像理解和生成的编码器，模型可以更好地专注于各自的任务，从而提高整体性能。
• 对齐表示：在统一训练期间对齐理解和生成编码器的表示，确保两者之间的协同作用，提高模型的整体一致性。

实验结果

广泛的实验表明，JanusFlow在其各自领域中与专用模型相比实现了可比或更优越的性能，同时在标准基准上显著优于现有的统一方法。以下是实验结果的几个亮点：

• 图像理解任务：JanusFlow在图像分类、物体检测等任务上表现出色，与专门的图像理解模型相比，性能相当甚至更优。
• 图像生成任务：在图像生成任务中，JanusFlow生成的图像质量高，细节丰富，与专门的图像生成模型相比，表现优异。
• 综合性能：在标准基准测试中，JanusFlow显著优于现有的统一方法，展示了其在多任务处理中的高效性和多功能性。

意义与未来展望

JanusFlow代表了向更高效和多功能的视觉-语言模型迈出的重要一步。通过将图像理解和生成统一在一个模型中，JanusFlow不仅简化了模型的架构，还提高了模型的性能和适用性。这项工作为未来的研究提供了新的方向，特别是以下几点：

• 模型扩展：未来可以探索将JanusFlow应用于更多任务，如视频理解和生成、多模态对话系统等。
• 性能优化：通过进一步优化解耦和对齐策略，可以进一步提高模型的性能和效率。
• 应用场景：JanusFlow在实际应用中具有广泛的应用前景，如虚拟现实、增强现实、内容创作等。