RayFlow: Aceleração de Difusão com Consciência de Instância via Trajetórias de Fluxo Adaptativas

RayFlow: Instance-Aware Diffusion Acceleration via Adaptive Flow Trajectories

March 10, 2025

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

cs.AI

Resumo

Os modelos de difusão alcançaram sucesso notável em diversos domínios. No entanto, sua velocidade lenta de geração continua sendo um desafio crítico. Os métodos existentes de aceleração, embora visem reduzir o número de etapas, frequentemente comprometem a qualidade das amostras, a controlabilidade ou introduzem complexidades no treinamento. Portanto, propomos o RayFlow, uma nova estrutura de difusão que aborda essas limitações. Diferente de métodos anteriores, o RayFlow guia cada amostra ao longo de um caminho único em direção a uma distribuição alvo específica da instância. Esse método minimiza as etapas de amostragem enquanto preserva a diversidade e a estabilidade da geração. Além disso, introduzimos o Time Sampler, uma técnica de amostragem por importância para aumentar a eficiência do treinamento, concentrando-se em intervalos de tempo cruciais. Experimentos extensivos demonstram a superioridade do RayFlow na geração de imagens de alta qualidade com velocidade aprimorada, controle e eficiência de treinamento em comparação com técnicas de aceleração existentes.

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.