RayFlow: 適応的フロートラジェクトリによるインスタンス対応型拡散加速

RayFlow: Instance-Aware Diffusion Acceleration via Adaptive Flow Trajectories

March 10, 2025

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

cs.AI

要旨

拡散モデルは様々な領域で顕著な成功を収めてきた。しかし、その生成速度の遅さは依然として重要な課題である。既存の高速化手法はステップ数を削減することを目指すが、サンプル品質や制御性を犠牲にしたり、学習の複雑さを増したりすることが多い。そこで我々は、これらの限界を解決する新しい拡散フレームワークであるRayFlowを提案する。従来の手法とは異なり、RayFlowは各サンプルをインスタンス固有の目標分布に向かう独自のパスに沿って導く。この手法はサンプリングステップを最小化しつつ、生成の多様性と安定性を維持する。さらに、重要なタイムステップに焦点を当てることで学習効率を向上させる重要度サンプリング技術であるTime Samplerを導入する。大規模な実験により、RayFlowが既存の高速化技術と比較して、高品質な画像をより高速に、制御性を高め、学習効率を向上させて生成できる優位性が実証された。

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.