Apr, 2024

Hyper-SD: 轨迹分段一致性模型的高效图像合成

PDF
TL;DRHyper-SD is a novel framework that combines the advantages of ODE Trajectory Preservation and Reformulation, achieving state-of-the-art performance in multi-step inference with diffusion models.
发现论文，激发创造
  • SCott：借助随机一致性蒸馏加速扩散模型

    通过集成随机微分方程求解器到一致性蒸馏中，提出并验证了 Stochastic Consistency Distillation (SCott) 方法，该方法能够加快文本到图像生成的过程，并且在稳定扩散 - V1.5 模型上，表现优于其他模型在 MSCOCO-2017 5K 数据集上的生成结果。

    Mar, 2024

  • Consistent3D: 通过确定性采样先验实现一致高保真度的文本到 3D 生成

    通过分析分数蒸馏抽样（SDS）及其变体，我们发现其蒸馏抽样过程实际上对应于随机微分方程（SDE）的轨迹抽样，这启发我们提出了一种新颖有效的 “Consistent3D” 方法，该方法通过确定性抽样先验来进行文本到三维生成。实验结果表明，Consistent3D 在生成高保真度和多样性的三维物体和大规模场景方面具有很高的效能。

    Jan, 2024

  • 轨迹一致性蒸馏

    通过增加 Trajectory Consistency Distillation（TCD）的一组函数和策略性的随机采样的设计，可以显著提高图像生成质量，同时减少由多步一致性采样中积累的误差所致的细节不足，并且在较高的 NFEs 下相较于教师模型更加详细。

    Feb, 2024

  • A-SDM: 通过冗余消除和性能优化加速稳定扩散

    通过模型架构调整、冗余剪枝、全局 - 局部交互注意机制和语义感知监督等方法，本研究提出了一种有效训练轻量级模型、并在有限资源下提高模型速度的方法。

    Dec, 2023

  • 扩散模型是固有的一步生成器

    扩散模型的实例教学方法和分布教学方法在图像生成模型方面取得了显著的研究成果，提出的分布教学方法在减少训练图像数量的同时取得了最先进的结果，提高了对高效图像生成模型的理解并为各种应用提供了可扩展的框架。

    May, 2024

  • 单步反向过程稳定的生物医学图像扩散分割

    通过稳定扩散（SD）模型，我们引入了第一个潜伏扩散分割模型 ——SDSeg，该模型在医学图像分割中克服了资源和时间需求大、多步反向过程和多个样本预测可靠性等挑战，实验证明它在包含不同成像模态的五个基准数据集上胜过现有的最新方法。

    Jun, 2024

  • 一致性轨迹模型：学习扩散的概率流动 ODE 轨迹

    一篇研究论文介绍了一种名为 Consistency Trajectory Model（CTM）的模型，能够在扩散过程中进行无限制的时间遍历，并通过使用梯度评分和增强性对抗训练来提高性能，实现了在 CIFAR-10 和 ImageNet 上的高质量采样和新的最先进指标。

    Oct, 2023

  • 用于文本引导图像编辑的可逆一致性蒸馏方法（约 7 步）

    通过应用可逆一致性蒸馏 (invertible Consistency Distillation, iCD) 框架，实现了在少于 4 个推理步骤中高质量图像合成和准确图像编码的目标，使得具有动态引导的 iCD 成为零样本文本引导图像编辑的高效工具。

    Jun, 2024

  • 最小化累积轨迹误差以提高数据集蒸馏

    本文提出了一种基于优化算法的 Flat Trajectory Distillation（FTD）方法来缓解 distortion 和 subsequent evaluation 之间的累积轨迹误差，实验证明该方法可提高梯度匹配方法的性能，并适用于神经架构搜索。

    Nov, 2022

  • 利用次路线线性近似模型加速图像生成

    SLAM 通过利用 Sub-path Linear Approximation Model (SLAM) 方法加速扩散模型，从而实现高质量图像生成，克服了现实场景中推理速度缓慢的问题，提供了一种新的加速方法。

    Apr, 2024