RayFlow : Accélération de la diffusion consciente des instances via des trajectoires de flux adaptatives

RayFlow: Instance-Aware Diffusion Acceleration via Adaptive Flow Trajectories

March 10, 2025

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

cs.AI

Résumé

Les modèles de diffusion ont obtenu un succès remarquable dans divers domaines. Cependant, leur lenteur de génération reste un défi critique. Les méthodes d'accélération existantes, bien qu'elles visent à réduire le nombre d'étapes, compromettent souvent la qualité des échantillons, la contrôlabilité, ou introduisent des complexités d'entraînement. Par conséquent, nous proposons RayFlow, un nouveau cadre de diffusion qui aborde ces limitations. Contrairement aux méthodes précédentes, RayFlow guide chaque échantillon le long d'un chemin unique vers une distribution cible spécifique à l'instance. Cette méthode minimise les étapes d'échantillonnage tout en préservant la diversité et la stabilité de la génération. De plus, nous introduisons Time Sampler, une technique d'échantillonnage d'importance pour améliorer l'efficacité de l'entraînement en se concentrant sur les étapes temporelles cruciales. Des expériences approfondies démontrent la supériorité de RayFlow dans la génération d'images de haute qualité avec une vitesse, un contrôle et une efficacité d'entraînement améliorés par rapport aux techniques d'accélération existantes.

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.