Günstige Skalierung realisieren: Ein Selbst-Kaskaden-Diffusionsmodell für die Anpassung an höhere Auflösungen

Make a Cheap Scaling: A Self-Cascade Diffusion Model for Higher-Resolution Adaptation

February 16, 2024

Autoren: Lanqing Guo, Yingqing He, Haoxin Chen, Menghan Xia, Xiaodong Cun, Yufei Wang, Siyu Huang, Yong Zhang, Xintao Wang, Qifeng Chen, Ying Shan, Bihan Wen

cs.AI

Zusammenfassung

Diffusion-Modelle haben sich als äußerst effektiv bei der Bild- und Videogenerierung erwiesen; sie stehen jedoch weiterhin vor Kompositionsherausforderungen, wenn Bilder in verschiedenen Größen aufgrund von Trainingsdaten mit nur einer Skala generiert werden sollen. Die Anpassung großer, vortrainierter Diffusion-Modelle für höhere Auflösungen erfordert erhebliche Rechen- und Optimierungsressourcen, doch die Erreichung einer Generierungsfähigkeit, die mit der von Modellen mit niedriger Auflösung vergleichbar ist, bleibt schwer fassbar. Dieses Papier schlägt ein neuartiges Self-Cascade-Diffusion-Modell vor, das das umfangreiche Wissen eines gut trainierten Modells mit niedriger Auflösung nutzt, um sich schnell an die Generierung von Bildern und Videos mit höherer Auflösung anzupassen, wobei entweder tuningfreie oder kostengünstige Upsampler-Tuning-Paradigmen verwendet werden. Durch die Integration einer Sequenz von Multi-Scale-Upsampler-Modulen kann das Self-Cascade-Diffusion-Modell effizient an eine höhere Auflösung angepasst werden, wobei die ursprüngliche Komposition und Generierungsfähigkeit erhalten bleibt. Wir schlagen außerdem eine pivotgesteuerte Rausch-Neuplanungsstrategie vor, um den Inferenzprozess zu beschleunigen und lokale Strukturdetails zu verbessern. Im Vergleich zum vollständigen Fine-Tuning erreicht unser Ansatz eine 5-fache Beschleunigung des Trainings und benötigt nur zusätzliche 0,002M Tuning-Parameter. Umfangreiche Experimente zeigen, dass unser Ansatz sich schnell an die Synthese von Bildern und Videos mit höherer Auflösung anpassen kann, indem er für nur 10.000 Schritte feinabgestimmt wird, wobei praktisch keine zusätzliche Inferenzzeit erforderlich ist.

English

Diffusion models have proven to be highly effective in image and video generation; however, they still face composition challenges when generating images of varying sizes due to single-scale training data. Adapting large pre-trained diffusion models for higher resolution demands substantial computational and optimization resources, yet achieving a generation capability comparable to low-resolution models remains elusive. This paper proposes a novel self-cascade diffusion model that leverages the rich knowledge gained from a well-trained low-resolution model for rapid adaptation to higher-resolution image and video generation, employing either tuning-free or cheap upsampler tuning paradigms. Integrating a sequence of multi-scale upsampler modules, the self-cascade diffusion model can efficiently adapt to a higher resolution, preserving the original composition and generation capabilities. We further propose a pivot-guided noise re-schedule strategy to speed up the inference process and improve local structural details. Compared to full fine-tuning, our approach achieves a 5X training speed-up and requires only an additional 0.002M tuning parameters. Extensive experiments demonstrate that our approach can quickly adapt to higher resolution image and video synthesis by fine-tuning for just 10k steps, with virtually no additional inference time.