RayFlow: Instance-Aware Diffusieversnelling via Adaptieve Stroomtrajectorieën

RayFlow: Instance-Aware Diffusion Acceleration via Adaptive Flow Trajectories

March 10, 2025

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

cs.AI

Samenvatting

Diffusiemodellen hebben opmerkelijke successen behaald in verschillende domeinen. Hun trage generatiesnelheid blijft echter een kritieke uitdaging. Bestaande versnellingsmethoden, hoewel gericht op het verminderen van stappen, gaan vaak ten koste van de samplekwaliteit, beheersbaarheid, of introduceren trainingscomplexiteiten. Daarom stellen wij RayFlow voor, een nieuw diffusiekader dat deze beperkingen aanpakt. In tegenstelling tot vorige methoden leidt RayFlow elk sample langs een uniek pad naar een instantiespecifieke doeldistributie. Deze methode minimaliseert de samplingstappen terwijl de generatiediversiteit en stabiliteit behouden blijven. Bovendien introduceren we Time Sampler, een importance sampling-techniek om de trainings efficiëntie te verbeteren door te focussen op cruciale tijdstappen. Uitgebreide experimenten tonen de superioriteit van RayFlow aan in het genereren van hoogwaardige afbeeldingen met verbeterde snelheid, controle en trainings efficiëntie in vergelijking met bestaande versnellings technieken.

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.