RayFlow: Ускорение диффузии с учетом экземпляров через адаптивные траектории потоков

RayFlow: Instance-Aware Diffusion Acceleration via Adaptive Flow Trajectories

March 10, 2025

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

cs.AI

Аннотация

Диффузионные модели достигли значительных успехов в различных областях. Однако их низкая скорость генерации остается серьезной проблемой. Существующие методы ускорения, хотя и направлены на сокращение шагов, часто жертвуют качеством образцов, управляемостью или вводят сложности в обучение. Поэтому мы предлагаем RayFlow — новую диффузионную архитектуру, которая устраняет эти ограничения. В отличие от предыдущих методов, RayFlow направляет каждый образец по уникальному пути к целевому распределению, специфичному для конкретного экземпляра. Этот метод минимизирует количество шагов выборки, сохраняя при этом разнообразие и стабильность генерации. Кроме того, мы представляем Time Sampler — технику важностного сэмплирования, которая повышает эффективность обучения, фокусируясь на ключевых временных шагах. Многочисленные эксперименты демонстрируют превосходство RayFlow в генерации высококачественных изображений с улучшенной скоростью, управляемостью и эффективностью обучения по сравнению с существующими методами ускорения.

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.