ToDo: Token-Downsampling für die effiziente Erzeugung hochauflösender Bilder

ToDo: Token Downsampling for Efficient Generation of High-Resolution Images

February 21, 2024

Autoren: Ethan Smith, Nayan Saxena, Aninda Saha

cs.AI

Zusammenfassung

Der Aufmerksamkeitsmechanismus war entscheidend für Bilddiffusionsmodelle, jedoch begrenzt deren quadratische Rechenkomplexität die Größen der Bilder, die wir innerhalb angemessener Zeit- und Speicherbeschränkungen verarbeiten können. Diese Arbeit untersucht die Bedeutung von dichter Aufmerksamkeit in generativen Bildmodellen, die oft redundante Merkmale enthalten, was sie für spärlichere Aufmerksamkeitsmechanismen geeignet macht. Wir schlagen eine neuartige, trainingsfreie Methode namens ToDo vor, die sich auf das Token-Downsampling von Schlüssel- und Wert-Tokens stützt, um die Inferenz von Stable Diffusion um bis zu 2x für gängige Größen und bis zu 4,5x oder mehr für hohe Auflösungen wie 2048x2048 zu beschleunigen. Wir zeigen, dass unser Ansatz bisherige Methoden in der Balance zwischen effizientem Durchsatz und Bildtreue übertrifft.

English

Attention mechanism has been crucial for image diffusion models, however, their quadratic computational complexity limits the sizes of images we can process within reasonable time and memory constraints. This paper investigates the importance of dense attention in generative image models, which often contain redundant features, making them suitable for sparser attention mechanisms. We propose a novel training-free method ToDo that relies on token downsampling of key and value tokens to accelerate Stable Diffusion inference by up to 2x for common sizes and up to 4.5x or more for high resolutions like 2048x2048. We demonstrate that our approach outperforms previous methods in balancing efficient throughput and fidelity.