Schnellere Diffusion: Überdenken der Rolle des UNet-Encoders in Diffusionsmodellen

papers.abstract

Eine der Schlüsselkomponenten in Diffusionsmodellen ist das UNet für die Rauschvorhersage. Während mehrere Arbeiten grundlegende Eigenschaften des UNet-Decoders untersucht haben, bleibt der Encoder weitgehend unerforscht. In dieser Arbeit führen wir die erste umfassende Studie des UNet-Encoders durch. Wir analysieren empirisch die Encoder-Features und liefern Einblicke in wichtige Fragen bezüglich ihrer Veränderungen während des Inferenzprozesses. Insbesondere stellen wir fest, dass sich die Encoder-Features sanft verändern, während die Decoder-Features erhebliche Variationen über verschiedene Zeitschritte hinweg aufweisen. Diese Erkenntnis hat uns dazu inspiriert, den Encoder bei bestimmten benachbarten Zeitschritten wegzulassen und die Encoder-Features aus den vorherigen Zeitschritten zyklisch für den Decoder wiederzuverwenden. Basierend auf dieser Beobachtung führen wir ein einfaches, aber effektives Encoder-Propagationsschema ein, um die Diffusionsabtastung für eine Vielzahl von Aufgaben zu beschleunigen. Durch die Nutzung unseres Propagationsschemas sind wir in der Lage, den Decoder bei bestimmten benachbarten Zeitschritten parallel auszuführen. Zusätzlich führen wir eine Methode zur Rauscheinjektion ein, um die Texturdetails in den generierten Bildern zu verbessern. Neben der Standardaufgabe der Text-zu-Bild-Generierung validieren wir unseren Ansatz auch bei anderen Aufgaben: Text-zu-Video, personalisierte Generierung und referenzgesteuerte Generierung. Ohne jegliche Technik der Wissensdestillation zu verwenden, beschleunigt unser Ansatz die Abtastung sowohl des Stable Diffusion (SD) als auch des DeepFloyd-IF-Modells um 41 % bzw. 24 %, wobei eine hochwertige Generierungsleistung erhalten bleibt. Unser Code ist verfügbar unter https://github.com/hutaiHang/Faster-Diffusion{FasterDiffusion}.

English

One of the key components within diffusion models is the UNet for noise prediction. While several works have explored basic properties of the UNet decoder, its encoder largely remains unexplored. In this work, we conduct the first comprehensive study of the UNet encoder. We empirically analyze the encoder features and provide insights to important questions regarding their changes at the inference process. In particular, we find that encoder features change gently, whereas the decoder features exhibit substantial variations across different time-steps. This finding inspired us to omit the encoder at certain adjacent time-steps and reuse cyclically the encoder features in the previous time-steps for the decoder. Further based on this observation, we introduce a simple yet effective encoder propagation scheme to accelerate the diffusion sampling for a diverse set of tasks. By benefiting from our propagation scheme, we are able to perform in parallel the decoder at certain adjacent time-steps. Additionally, we introduce a prior noise injection method to improve the texture details in the generated image. Besides the standard text-to-image task, we also validate our approach on other tasks: text-to-video, personalized generation and reference-guided generation. Without utilizing any knowledge distillation technique, our approach accelerates both the Stable Diffusion (SD) and the DeepFloyd-IF models sampling by 41% and 24% respectively, while maintaining high-quality generation performance. Our code is available in https://github.com/hutaiHang/Faster-Diffusion{FasterDiffusion}.

Schnellere Diffusion: Überdenken der Rolle des UNet-Encoders in Diffusionsmodellen

Faster Diffusion: Rethinking the Role of UNet Encoder in Diffusion Models

papers.abstract

Support