DREAM：拡散整流と推定適応型モデル

DREAM: Diffusion Rectification and Estimation-Adaptive Models

November 30, 2023

著者: Jinxin Zhou, Tianyu Ding, Tianyi Chen, Jiachen Jiang, Ilya Zharkov, Zhihui Zhu, Luming Liang

cs.AI

要旨

我々はDREAMを提案する。これは、拡散モデルにおける学習とサンプリングの整合性を大幅に向上させる、最小限のコード変更（わずか3行）で実現可能な新しい学習フレームワークである。DREAMは、拡散補正（Diffusion Rectification）と推定適応（Estimation Adaptation）の2つのコンポーネントを特徴とする。拡散補正は、サンプリングプロセスを反映するように学習を調整し、推定適応は知覚と歪みのバランスを取る。画像超解像（SR）に適用した場合、DREAMは歪みの最小化と高品質な画像保存のトレードオフを巧みに調整する。実験結果は、DREAMが標準的な拡散ベースのSR手法を凌駕し、学習収束が2～3倍速く、同等または優れた結果を得るために必要なサンプリングステップを10～20分の1に削減できることを示している。我々は、DREAMが拡散モデルの学習パラダイムの再考を促すことを期待している。

English

We present DREAM, a novel training framework representing Diffusion Rectification and Estimation-Adaptive Models, requiring minimal code changes (just three lines) yet significantly enhancing the alignment of training with sampling in diffusion models. DREAM features two components: diffusion rectification, which adjusts training to reflect the sampling process, and estimation adaptation, which balances perception against distortion. When applied to image super-resolution (SR), DREAM adeptly navigates the tradeoff between minimizing distortion and preserving high image quality. Experiments demonstrate DREAM's superiority over standard diffusion-based SR methods, showing a 2 to 3times faster training convergence and a 10 to 20times reduction in necessary sampling steps to achieve comparable or superior results. We hope DREAM will inspire a rethinking of diffusion model training paradigms.