RectifiedHR: Efficiënte Generatie van Hoogwaardige Afbeeldingen mogelijk maken via Energie-rectificatie

RectifiedHR: Enable Efficient High-Resolution Image Generation via Energy Rectification

March 4, 2025

Auteurs: Zhen Yang, Guibao Shen, Liang Hou, Mushui Liu, Luozhou Wang, Xin Tao, Pengfei Wan, Di Zhang, Ying-Cong Chen

cs.AI

Samenvatting

Diffusiemodellen hebben opmerkelijke vooruitgang geboekt in diverse beeldgeneratietaken. Hun prestaties nemen echter aanzienlijk af bij het genereren van beelden met resoluties die hoger zijn dan die gebruikt tijdens de trainingsperiode. Ondanks het bestaan van talrijke methoden voor het produceren van hoog-resolutiebeelden, lijden deze ofwel onder inefficiëntie of worden ze belemmerd door complexe operaties. In dit artikel stellen we RectifiedHR voor, een efficiënte en eenvoudige oplossing voor trainingsvrije hoog-resolutiebeeldgeneratie. Specifiek introduceren we de ruisverversingsstrategie, die theoretisch slechts een paar regels code vereist om het hoog-resolutiegeneratievermogen van het model te ontgrendelen en de efficiëntie te verbeteren. Daarnaast observeren we voor het eerst het fenomeen van energieverval dat beeldonscherpte kan veroorzaken tijdens het hoog-resolutiebeeldgeneratieproces. Om dit probleem aan te pakken, stellen we een Energieherstellingsstrategie voor, waarbij het aanpassen van de hyperparameters van de classifier-free guidance de generatieprestaties effectief verbetert. Onze methode is volledig trainingsvrij en heeft een eenvoudige implementatielogica. Door uitgebreide vergelijkingen met talrijke baseline-methoden, toont onze RectifiedHR superieure effectiviteit en efficiëntie aan.

English

Diffusion models have achieved remarkable advances in various image generation tasks. However, their performance notably declines when generating images at resolutions higher than those used during the training period. Despite the existence of numerous methods for producing high-resolution images, they either suffer from inefficiency or are hindered by complex operations. In this paper, we propose RectifiedHR, an efficient and straightforward solution for training-free high-resolution image generation. Specifically, we introduce the noise refresh strategy, which theoretically only requires a few lines of code to unlock the model's high-resolution generation ability and improve efficiency. Additionally, we first observe the phenomenon of energy decay that may cause image blurriness during the high-resolution image generation process. To address this issue, we propose an Energy Rectification strategy, where modifying the hyperparameters of the classifier-free guidance effectively improves the generation performance. Our method is entirely training-free and boasts a simple implementation logic. Through extensive comparisons with numerous baseline methods, our RectifiedHR demonstrates superior effectiveness and efficiency.