Apr, 2024
文本到图像扩散模型中的交叉注意力使推理繁琐
Cross-Attention Makes Inference Cumbersome in Text-to-Image Diffusion
Models
TL;DR该研究探讨了文本条件扩散模型在推理过程中的跨注意力的作用。研究发现,跨注意力输出在几个推理步骤后趋于一个固定点。因此,收敛的时间点自然地将整个推理过程分为两个阶段:初始的语义规划阶段,此阶段模型依赖于跨注意力来规划与文本相关的视觉语义;以及接下来的提高保真度阶段,在此阶段模型试图根据之前规划的语义生成图像。令人惊讶的是,在提高保真度阶段忽略文本条件不仅降低计算复杂度,而且保持了模型的性能。这产生了一种简单且无需训练的有效生成方法,称为TGATE,它在收敛后缓存跨注意力输出,并在剩余推理步骤中保持固定。我们在MS-COCO验证集上的实证研究证实了其有效性。TGATE的源代码可在此 https URL 中获取。