Difusión más rápida: Replanteando el papel del codificador UNet en los modelos de difusión

Resumen

Uno de los componentes clave dentro de los modelos de difusión es la UNet para la predicción de ruido. Si bien varios trabajos han explorado las propiedades básicas del decodificador de la UNet, su codificador ha sido en gran medida poco estudiado. En este trabajo, realizamos el primer estudio exhaustivo del codificador de la UNet. Analizamos empíricamente las características del codificador y proporcionamos insights sobre preguntas importantes relacionadas con sus cambios durante el proceso de inferencia. En particular, encontramos que las características del codificador cambian suavemente, mientras que las características del decodificador muestran variaciones sustanciales en diferentes pasos de tiempo. Este hallazgo nos inspiró a omitir el codificador en ciertos pasos de tiempo adyacentes y reutilizar cíclicamente las características del codificador de los pasos de tiempo anteriores para el decodificador. Basándonos en esta observación, introducimos un esquema de propagación del codificador simple pero efectivo para acelerar el muestreo de difusión en un conjunto diverso de tareas. Al beneficiarnos de nuestro esquema de propagación, podemos ejecutar en paralelo el decodificador en ciertos pasos de tiempo adyacentes. Además, introducimos un método de inyección de ruido previo para mejorar los detalles de textura en la imagen generada. Además de la tarea estándar de texto a imagen, también validamos nuestro enfoque en otras tareas: texto a video, generación personalizada y generación guiada por referencia. Sin utilizar ninguna técnica de destilación de conocimiento, nuestro enfoque acelera el muestreo de los modelos Stable Diffusion (SD) y DeepFloyd-IF en un 41% y 24% respectivamente, manteniendo un rendimiento de generación de alta calidad. Nuestro código está disponible en 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}.

Difusión más rápida: Replanteando el papel del codificador UNet en los modelos de difusión

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

Resumen

Support