RayFlow: Instanzbewusste Diffusionsbeschleunigung durch adaptive Flusstrajektorien

RayFlow: Instance-Aware Diffusion Acceleration via Adaptive Flow Trajectories

March 10, 2025

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

cs.AI

Zusammenfassung

Diffusionsmodelle haben in verschiedenen Bereichen bemerkenswerte Erfolge erzielt. Ihre langsame Generierungsgeschwindigkeit bleibt jedoch eine kritische Herausforderung. Bestehende Beschleunigungsmethoden, die darauf abzielen, die Schritte zu reduzieren, gehen oft auf Kosten der Probenqualität, der Steuerbarkeit oder führen zu erhöhten Trainingskomplexitäten. Daher schlagen wir RayFlow vor, ein neuartiges Diffusionsframework, das diese Einschränkungen adressiert. Im Gegensatz zu früheren Methoden führt RayFlow jede Probe entlang eines einzigartigen Pfads zu einer instanzspezifischen Zielverteilung. Diese Methode minimiert die Abtastschritte, während sie die Generierungsvielfalt und -stabilität bewahrt. Darüber hinaus führen wir den Time Sampler ein, eine Importance-Sampling-Technik, die die Trainings effizienz verbessert, indem sie sich auf entscheidende Zeitschritte konzentriert. Umfangreiche Experimente demonstrieren die Überlegenheit von RayFlow bei der Erzeugung hochwertiger Bilder mit verbesserter Geschwindigkeit, Kontrolle und Trainings effizienz im Vergleich zu bestehenden Beschleunigungstechniken.

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.