RayFlow: Accelerazione della Diffusione con Consapevolezza delle Istanze tramite Traiettorie di Flusso Adattive

RayFlow: Instance-Aware Diffusion Acceleration via Adaptive Flow Trajectories

March 10, 2025

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

cs.AI

Abstract

I modelli di diffusione hanno ottenuto un successo notevole in vari domini. Tuttavia, la loro lentezza nella generazione rimane una sfida critica. I metodi di accelerazione esistenti, pur mirando a ridurre i passaggi, spesso compromettono la qualità del campione, la controllabilità o introducono complessità nell'addestramento. Pertanto, proponiamo RayFlow, un nuovo framework di diffusione che affronta queste limitazioni. A differenza dei metodi precedenti, RayFlow guida ogni campione lungo un percorso unico verso una distribuzione target specifica per l'istanza. Questo metodo minimizza i passaggi di campionamento preservando la diversità e la stabilità della generazione. Inoltre, introduciamo Time Sampler, una tecnica di campionamento per importanza che migliora l'efficienza dell'addestramento concentrandosi sugli intervalli di tempo cruciali. Esperimenti estesi dimostrano la superiorità di RayFlow nella generazione di immagini di alta qualità con una velocità, controllo ed efficienza di addestramento migliorati rispetto alle tecniche di accelerazione esistenti.

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.