Tamaño de paso óptimo para el muestreo de difusión

Optimal Stepsize for Diffusion Sampling

March 27, 2025

Autores: Jianning Pei, Han Hu, Shuyang Gu

cs.AI

Resumen

Los modelos de difusión logran una calidad de generación notable, pero sufren de un muestreo computacionalmente intensivo debido a una discretización de pasos subóptima. Mientras que trabajos existentes se centran en optimizar las direcciones de eliminación de ruido, nosotros abordamos el diseño fundamentado de los calendarios de tamaño de paso. Este artículo propone la Destilación de Tamaño de Paso Óptimo, un marco de programación dinámica que extrae calendarios teóricamente óptimos al destilar conocimiento de trayectorias de referencia. Al reformular la optimización del tamaño de paso como una minimización recursiva de errores, nuestro método garantiza límites globales de discretización mediante la explotación de subestructuras óptimas. Crucialmente, los calendarios destilados demuestran una fuerte robustez en arquitecturas, solucionadores de EDO y calendarios de ruido. Los experimentos muestran una generación de texto a imagen 10 veces más rápida mientras se preserva un 99.4% del rendimiento en GenEval. Nuestro código está disponible en https://github.com/bebebe666/OptimalSteps.

English

Diffusion models achieve remarkable generation quality but suffer from computational intensive sampling due to suboptimal step discretization. While existing works focus on optimizing denoising directions, we address the principled design of stepsize schedules. This paper proposes Optimal Stepsize Distillation, a dynamic programming framework that extracts theoretically optimal schedules by distilling knowledge from reference trajectories. By reformulating stepsize optimization as recursive error minimization, our method guarantees global discretization bounds through optimal substructure exploitation. Crucially, the distilled schedules demonstrate strong robustness across architectures, ODE solvers, and noise schedules. Experiments show 10x accelerated text-to-image generation while preserving 99.4% performance on GenEval. Our code is available at https://github.com/bebebe666/OptimalSteps.