Inconsistenties in consistentiemodellen: beter oplossen van ODE impliceert niet noodzakelijk betere monsters.

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

November 13, 2024

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

cs.AI

Samenvatting

Hoewel diffusiemodellen opmerkelijk hoogwaardige monsters kunnen genereren, worden ze intrinsiek belemmerd door hun dure iteratieve monsteringsprocedure. Consistentiemodellen (CM's) zijn onlangs naar voren gekomen als een veelbelovende methode voor het destilleren van diffusiemodellen, waarbij de kosten van monstering worden verlaagd door hoogwaardige monsters te genereren in slechts een paar iteraties. Consistentiemodeldestillatie heeft tot doel de gewone differentiaalvergelijking (ODE) van de stroom van waarschijnlijkheden op te lossen die wordt gedefinieerd door een bestaand diffusiemodel. CM's worden niet rechtstreeks getraind om fouten te minimaliseren ten opzichte van een ODE-oplosser, maar gebruiken in plaats daarvan een meer computationeel haalbaar doel. Als een manier om te bestuderen hoe effectief CM's de ODE van de stroom van waarschijnlijkheden oplossen, en welk effect eventuele geïnduceerde fouten hebben op de kwaliteit van gegenereerde monsters, introduceren we Directe CM's, die deze fout rechtstreeks minimaliseren. Interessant genoeg vinden we dat Directe CM's de fout bij het oplossen van de ODE verminderen in vergelijking met CM's, maar ook resulteren in aanzienlijk slechtere monsterkwaliteit, waarbij de vraag rijst waarom CM's precies goed werken in de eerste plaats. De volledige code is beschikbaar op: 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.