Ihr Schüler ist besser als erwartet: Adaptive Lehrer-Schüler-Zusammenarbeit für textkonditionale Diffusionsmodelle

Your Student is Better Than Expected: Adaptive Teacher-Student Collaboration for Text-Conditional Diffusion Models

December 17, 2023

Autoren: Nikita Starodubcev, Artem Fedorov, Artem Babenko, Dmitry Baranchuk

cs.AI

Zusammenfassung

Wissensdistillationsmethoden haben sich kürzlich als vielversprechende Richtung erwiesen, um die Synthese großskaliger Diffusionsmodelle zu beschleunigen, indem sie nur wenige Inferenzschritte erfordern. Obwohl in letzter Zeit mehrere leistungsstarke Distillationsmethoden vorgeschlagen wurden, ist die Gesamtqualität der Schüler-Samples typischerweise geringer im Vergleich zu denen des Lehrers, was ihre praktische Anwendung behindert. In dieser Arbeit untersuchen wir die relative Qualität der Samples, die vom Lehrer-Text-zu-Bild-Diffusionsmodell und seiner destillierten Schülerversion erzeugt werden. Als unsere wichtigste empirische Erkenntnis entdecken wir, dass ein beachtlicher Teil der Schüler-Samples eine überlegene Treue im Vergleich zu denen des Lehrers aufweist, trotz der „approximativen“ Natur des Schülers. Basierend auf dieser Erkenntnis schlagen wir eine adaptive Zusammenarbeit zwischen Schüler- und Lehrer-Diffusionsmodellen für eine effektive Text-zu-Bild-Synthese vor. Konkret erzeugt das destillierte Modell das initiale Sample, und dann entscheidet ein Orakel, ob es weitere Verbesserungen mit einem langsamen Lehrermodell benötigt. Umfangreiche Experimente zeigen, dass die entwickelte Pipeline state-of-the-art Text-zu-Bild-Alternativen für verschiedene Inferenzbudgets in Bezug auf menschliche Präferenz übertrifft. Darüber hinaus kann der vorgeschlagene Ansatz natürlich in populären Anwendungen wie textgesteuerter Bildbearbeitung und kontrollierter Generierung verwendet werden.

English

Knowledge distillation methods have recently shown to be a promising direction to speedup the synthesis of large-scale diffusion models by requiring only a few inference steps. While several powerful distillation methods were recently proposed, the overall quality of student samples is typically lower compared to the teacher ones, which hinders their practical usage. In this work, we investigate the relative quality of samples produced by the teacher text-to-image diffusion model and its distilled student version. As our main empirical finding, we discover that a noticeable portion of student samples exhibit superior fidelity compared to the teacher ones, despite the ``approximate'' nature of the student. Based on this finding, we propose an adaptive collaboration between student and teacher diffusion models for effective text-to-image synthesis. Specifically, the distilled model produces the initial sample, and then an oracle decides whether it needs further improvements with a slow teacher model. Extensive experiments demonstrate that the designed pipeline surpasses state-of-the-art text-to-image alternatives for various inference budgets in terms of human preference. Furthermore, the proposed approach can be naturally used in popular applications such as text-guided image editing and controllable generation.