Seu Aluno é Melhor do que o Esperado: Colaboração Adaptativa entre Professor e Aluno para Modelos de Difusão Condicionados por Texto

Your Student is Better Than Expected: Adaptive Teacher-Student Collaboration for Text-Conditional Diffusion Models

December 17, 2023

Autores: Nikita Starodubcev, Artem Fedorov, Artem Babenko, Dmitry Baranchuk

cs.AI

Resumo

Métodos de destilação de conhecimento têm se mostrado recentemente uma direção promissora para acelerar a síntese de modelos de difusão em larga escala, exigindo apenas algumas etapas de inferência. Embora vários métodos poderosos de destilação tenham sido propostos recentemente, a qualidade geral das amostras do estudante é tipicamente inferior em comparação com as do professor, o que dificulta seu uso prático. Neste trabalho, investigamos a qualidade relativa das amostras produzidas pelo modelo de difusão texto-imagem professor e sua versão estudante destilada. Como nossa principal descoberta empírica, descobrimos que uma parcela significativa das amostras do estudante exibe fidelidade superior em comparação com as do professor, apesar da natureza "aproximada" do estudante. Com base nessa descoberta, propomos uma colaboração adaptativa entre os modelos de difusão estudante e professor para uma síntese eficaz de texto-imagem. Especificamente, o modelo destilado produz a amostra inicial, e então um oráculo decide se ela precisa de melhorias adicionais com o modelo professor lento. Experimentos extensivos demonstram que o pipeline projetado supera as alternativas estado da arte em síntese texto-imagem para vários orçamentos de inferência em termos de preferência humana. Além disso, a abordagem proposta pode ser naturalmente utilizada em aplicações populares, como edição de imagens guiada por texto e geração controlável.

English

Knowledge distillation methods have recently shown to be a promising direction to speedup the synthesis of large-scale diffusion models by requiring only a few inference steps. While several powerful distillation methods were recently proposed, the overall quality of student samples is typically lower compared to the teacher ones, which hinders their practical usage. In this work, we investigate the relative quality of samples produced by the teacher text-to-image diffusion model and its distilled student version. As our main empirical finding, we discover that a noticeable portion of student samples exhibit superior fidelity compared to the teacher ones, despite the ``approximate'' nature of the student. Based on this finding, we propose an adaptive collaboration between student and teacher diffusion models for effective text-to-image synthesis. Specifically, the distilled model produces the initial sample, and then an oracle decides whether it needs further improvements with a slow teacher model. Extensive experiments demonstrate that the designed pipeline surpasses state-of-the-art text-to-image alternatives for various inference budgets in terms of human preference. Furthermore, the proposed approach can be naturally used in popular applications such as text-guided image editing and controllable generation.