Escalado en Tiempo de Inferencia para Modelos de Difusión más allá de la Escalación de Pasos de DesruidoInference-Time Scaling for Diffusion Models beyond Scaling Denoising
Steps
Los modelos generativos han tenido un impacto significativo en diversos ámbitos, en gran parte debido a su capacidad de escalar durante el entrenamiento mediante el aumento de datos, recursos computacionales y tamaño del modelo, un fenómeno caracterizado por las leyes de escalamiento. Investigaciones recientes han comenzado a explorar el comportamiento de escalamiento en tiempo de inferencia en Modelos de Lenguaje Grandes (LLMs), revelando cómo el rendimiento puede mejorar aún más con cálculos adicionales durante la inferencia. A diferencia de los LLMs, los modelos de difusión poseen inherentemente la flexibilidad para ajustar la computación en tiempo de inferencia a través del número de pasos de desruido, aunque las mejoras de rendimiento suelen estabilizarse después de unas pocas docenas. En este trabajo, exploramos el comportamiento de escalamiento en tiempo de inferencia de los modelos de difusión más allá del aumento de pasos de desruido e investigamos cómo el rendimiento de generación puede mejorar aún más con una mayor computación. Específicamente, consideramos un problema de búsqueda destinado a identificar mejores ruidos para el proceso de muestreo de difusión. Estructuramos el espacio de diseño a lo largo de dos ejes: los verificadores utilizados para proporcionar retroalimentación y los algoritmos utilizados para encontrar mejores candidatos de ruido. A través de experimentos exhaustivos en benchmarks de generación de imágenes condicionadas por clase y texto, nuestros hallazgos revelan que aumentar la computación en tiempo de inferencia conduce a mejoras sustanciales en la calidad de las muestras generadas por los modelos de difusión, y con la naturaleza complicada de las imágenes, las combinaciones de los componentes en el marco pueden ser elegidas específicamente para cumplir con diferentes escenarios de aplicación.