RayFlow: Aceleración de Difusión Consciente de Instancias mediante Trayectorias de Flujo Adaptativas

RayFlow: Instance-Aware Diffusion Acceleration via Adaptive Flow Trajectories

March 10, 2025

Autores: Huiyang Shao, Xin Xia, Yuhong Yang, Yuxi Ren, Xing Wang, Xuefeng Xiao

cs.AI

Resumen

Los modelos de difusión han logrado un éxito notable en diversos dominios. Sin embargo, su lenta velocidad de generación sigue siendo un desafío crítico. Los métodos de aceleración existentes, aunque buscan reducir los pasos, a menudo comprometen la calidad de las muestras, la controlabilidad o introducen complejidades en el entrenamiento. Por lo tanto, proponemos RayFlow, un marco de difusión novedoso que aborda estas limitaciones. A diferencia de métodos anteriores, RayFlow guía cada muestra a lo largo de una ruta única hacia una distribución objetivo específica de la instancia. Este método minimiza los pasos de muestreo mientras preserva la diversidad y estabilidad en la generación. Además, introducimos Time Sampler, una técnica de muestreo por importancia para mejorar la eficiencia del entrenamiento al enfocarse en los pasos de tiempo cruciales. Experimentos extensos demuestran la superioridad de RayFlow en la generación de imágenes de alta calidad con una velocidad mejorada, mayor control y eficiencia en el entrenamiento en comparación con las técnicas de aceleración existentes.

English

Diffusion models have achieved remarkable success across various domains. However, their slow generation speed remains a critical challenge. Existing acceleration methods, while aiming to reduce steps, often compromise sample quality, controllability, or introduce training complexities. Therefore, we propose RayFlow, a novel diffusion framework that addresses these limitations. Unlike previous methods, RayFlow guides each sample along a unique path towards an instance-specific target distribution. This method minimizes sampling steps while preserving generation diversity and stability. Furthermore, we introduce Time Sampler, an importance sampling technique to enhance training efficiency by focusing on crucial timesteps. Extensive experiments demonstrate RayFlow's superiority in generating high-quality images with improved speed, control, and training efficiency compared to existing acceleration techniques.