Il Tuo Studente è Meglio del Previsto: Collaborazione Adattiva tra Insegnante e Studente per Modelli di Diffusione Condizionati al Testo

Your Student is Better Than Expected: Adaptive Teacher-Student Collaboration for Text-Conditional Diffusion Models

December 17, 2023

Autori: Nikita Starodubcev, Artem Fedorov, Artem Babenko, Dmitry Baranchuk

cs.AI

Abstract

I metodi di distillazione della conoscenza hanno recentemente dimostrato di essere una direzione promettente per accelerare la sintesi di modelli di diffusione su larga scala, richiedendo solo pochi passaggi di inferenza. Sebbene siano stati proposti recentemente diversi metodi di distillazione potenti, la qualità complessiva dei campioni dello studente è tipicamente inferiore rispetto a quelli del docente, il che ne ostacola l'uso pratico. In questo lavoro, indaghiamo la qualità relativa dei campioni prodotti dal modello di diffusione testo-immagine docente e dalla sua versione distillata dello studente. Come principale risultato empirico, scopriamo che una porzione significativa dei campioni dello studente mostra una fedeltà superiore rispetto a quelli del docente, nonostante la natura "approssimata" dello studente. Sulla base di questa scoperta, proponiamo una collaborazione adattiva tra modelli di diffusione studente e docente per una sintesi efficace di testo-immagine. Nello specifico, il modello distillato produce il campione iniziale, e poi un oracolo decide se necessita di ulteriori miglioramenti con un modello docente lento. Esperimenti estesi dimostrano che la pipeline progettata supera le alternative state-of-the-art per la sintesi testo-immagine per vari budget di inferenza in termini di preferenza umana. Inoltre, l'approccio proposto può essere naturalmente utilizzato in applicazioni popolari come l'editing di immagini guidato da testo e la generazione controllata.

English

Knowledge distillation methods have recently shown to be a promising direction to speedup the synthesis of large-scale diffusion models by requiring only a few inference steps. While several powerful distillation methods were recently proposed, the overall quality of student samples is typically lower compared to the teacher ones, which hinders their practical usage. In this work, we investigate the relative quality of samples produced by the teacher text-to-image diffusion model and its distilled student version. As our main empirical finding, we discover that a noticeable portion of student samples exhibit superior fidelity compared to the teacher ones, despite the ``approximate'' nature of the student. Based on this finding, we propose an adaptive collaboration between student and teacher diffusion models for effective text-to-image synthesis. Specifically, the distilled model produces the initial sample, and then an oracle decides whether it needs further improvements with a slow teacher model. Extensive experiments demonstrate that the designed pipeline surpasses state-of-the-art text-to-image alternatives for various inference budgets in terms of human preference. Furthermore, the proposed approach can be naturally used in popular applications such as text-guided image editing and controllable generation.