Inconsistências nos Modelos de Consistência: Resolver Equações Diferenciais Ordinárias de Forma Mais Eficiente Não Implica em Obter Melhores Amostras

Inconsistencies In Consistency Models: Better ODE Solving Does Not Imply Better Samples

November 13, 2024

Autores: Noël Vouitsis, Rasa Hosseinzadeh, Brendan Leigh Ross, Valentin Villecroze, Satya Krishna Gorti, Jesse C. Cresswell, Gabriel Loaiza-Ganem

cs.AI

Resumo

Embora os modelos de difusão possam gerar amostras de alta qualidade de forma notável, eles são intrinsecamente limitados pelo seu procedimento de amostragem iterativo caro. Os modelos de consistência (CMs) surgiram recentemente como um método promissor de destilação de modelos de difusão, reduzindo o custo da amostragem ao gerar amostras de alta fidelidade em apenas algumas iterações. A destilação de modelos de consistência visa resolver a equação diferencial ordinária (ODE) de fluxo de probabilidade definida por um modelo de difusão existente. Os CMs não são diretamente treinados para minimizar o erro em relação a um solucionador de ODE, mas sim utilizam um objetivo mais computacionalmente viável. Como forma de estudar quão eficazmente os CMs resolvem a ODE de fluxo de probabilidade e o efeito que qualquer erro induzido tem na qualidade das amostras geradas, introduzimos os CMs Diretos, que minimizam diretamente esse erro. Curiosamente, observamos que os CMs Diretos reduzem o erro de resolução da ODE em comparação com os CMs, mas também resultam em uma qualidade de amostra significativamente pior, questionando exatamente por que os CMs funcionam bem em primeiro lugar. O código completo está disponível em: https://github.com/layer6ai-labs/direct-cms.

English

Although diffusion models can generate remarkably high-quality samples, they are intrinsically bottlenecked by their expensive iterative sampling procedure. Consistency models (CMs) have recently emerged as a promising diffusion model distillation method, reducing the cost of sampling by generating high-fidelity samples in just a few iterations. Consistency model distillation aims to solve the probability flow ordinary differential equation (ODE) defined by an existing diffusion model. CMs are not directly trained to minimize error against an ODE solver, rather they use a more computationally tractable objective. As a way to study how effectively CMs solve the probability flow ODE, and the effect that any induced error has on the quality of generated samples, we introduce Direct CMs, which directly minimize this error. Intriguingly, we find that Direct CMs reduce the ODE solving error compared to CMs but also result in significantly worse sample quality, calling into question why exactly CMs work well in the first place. Full code is available at: https://github.com/layer6ai-labs/direct-cms.