RayFlow: 적응형 흐름 궤적을 통한 인스턴스 인식 확산 가속

RayFlow: Instance-Aware Diffusion Acceleration via Adaptive Flow Trajectories

March 10, 2025

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

cs.AI

초록

확산 모델(Diffusion Model)은 다양한 분야에서 놀라운 성공을 거두었습니다. 그러나 느린 생성 속도는 여전히 중요한 과제로 남아 있습니다. 기존의 가속화 방법들은 단계를 줄이려는 목표를 가지고 있지만, 샘플 품질이나 제어 가능성을 희생하거나 훈련 복잡성을 증가시키는 경우가 많습니다. 따라서 우리는 이러한 한계를 해결하기 위한 새로운 확산 프레임워크인 RayFlow를 제안합니다. 이전 방법들과 달리, RayFlow는 각 샘플을 인스턴스별 목표 분포로 향하는 고유한 경로를 따라 안내합니다. 이 방법은 샘플링 단계를 최소화하면서도 생성 다양성과 안정성을 유지합니다. 또한, 우리는 중요한 시간 단계에 집중하여 훈련 효율성을 향상시키는 중요도 샘플링 기법인 Time Sampler를 도입했습니다. 광범위한 실험을 통해 RayFlow가 기존 가속화 기술에 비해 향상된 속도, 제어력, 훈련 효율성으로 고품질 이미지를 생성하는 데 있어 우수성을 입증했습니다.

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.