MEITU · MT LAB
在美图 MT Lab 人体组实习期间，我参与了宠物个性化创作的探索与验证，将生成与编辑作为同一条业务线，同时开展 AIGC 推理加速预研。
业务实践
生成与编辑服务于同一条宠物创作业务线：先从宠物照片出发，探索拟人化角色与场景生成，再围绕已有图像进行编辑。关注点是宠物辨识特征、造型表现与场景协调性。
业务目标让宠物进入富有想象力的场景，同时保留可辨识的外观特征。
工作内容参与个性化生成与图像编辑的探索和效果验证，对比不同宠物、主题及编辑结果。
以下是生成实验中的输入与结果配对，可对照观察毛色、面部特征，以及不同宠物在同一主题下的拟人化表现。
围绕同一只黑白猫，探索节日场景中的不同服饰与造型。
同一条创作业务线
除了从参考照片生成新形象，我也探索了对已有角色图像进行编辑。此例以将猫科角色调整为犬类外观为目标，观察角色变化与服饰、道具、场景延续之间的关系。
宠物创作业务线中的编辑探索示例。
预研探索
围绕图像与视频生成的推理效率开展探索，通过对比实验评估计算开销与视觉质量之间的取舍，并整理为内部技术分享。
预研目标探索降低生成开销的路径，同时关注图像细节与视频视觉表现的变化。
工作内容参与加速方法探索与生成效果对比，并整理实验观察和方法调研，进行内部分享。
以下数据来自实习期间的实验记录。加速比均相对于本组基线，不同组的实验设置不同，应在组内比较。
在单张 NVIDIA L20 上，依次叠加 SageAttention、FP8 与 torch.compile、TeaCache、SpargeAttention。记录中的 DiT 阶段耗时从 1120 秒降至 328 秒，最高加速比为 3.41×。各列表示逐步叠加方案，加速比均相对于 BF16 基线。
横向滑动可查看全部方案 →
1.00×
1120 秒 · DiT
1.25×
893 秒 · DiT
1.98×
564 秒 · DiT
3.09×
361 秒 · DiT
3.41×
328 秒 · DiT
视频按原始速度播放，播放时长不代表推理耗时。
计时范围为 DiT 阶段，并非端到端生成耗时。耗时与加速比沿用原始实验记录。
探索不同 TeaCache 阈值下的速度与视觉效果。TeaCache 通过估计扩散步之间的变化，决定何时复用缓存输出。下面分别展示写实场景与插画在三档加速水平下的对比。方法论文 ↗
横向滑动可查看全部方案 →
1.00×
相对无缓存基线
1.55×
相对无缓存基线
1.86×
相对无缓存基线
2.15×
相对无缓存基线
对比单卡、双卡序列并行（SP）与双卡 PipeFusion。PipeFusion 通过图像块级的流水线并行组织计算与通信。本组实验中，双卡 PipeFusion 将记录耗时从 22.95 秒降至 13.51 秒，相对单卡达到 1.70× 加速。方法论文 ↗
横向滑动可查看全部方案 →
1.00×
22.95 秒
1.33×
17.21 秒
1.70×
13.51 秒
探索区域自适应采样（RAS），按图像区域分配更新，并在其他区域复用缓存噪声。记录中的两档设置将耗时从 26.9 秒降至 23.1 秒和 18.8 秒，下面对比场景构图与文字呈现效果。方法论文 ↗
横向滑动可查看全部方案 →
1.00×
26.9 秒
≈ 1.16×
23.1 秒
≈ 1.43×
18.8 秒
RAS 加速比根据记录耗时换算：26.9 ÷ 23.1 ≈ 1.16×；26.9 ÷ 18.8 ≈ 1.43×。0.75 和 0.50 为 PPT 中的实验设置标记。
本组实验相对未加速基线实现了 2.05× 推理加速。以下展示对应的视频结果，可对照观察角色外观、羽毛细节、光照与运动表现。
两段视频均按原始速度播放，用于对比生成效果，不代表推理耗时。