論文の概要: RayFlow: Instance-Aware Diffusion Acceleration via Adaptive Flow Trajectories
- arxiv url: http://arxiv.org/abs/2503.07699v2
- Date: Tue, 25 Mar 2025 06:11:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 16:51:17.128170
- Title: RayFlow: Instance-Aware Diffusion Acceleration via Adaptive Flow Trajectories
- Title（参考訳）: RayFlow: 適応フロー軌道によるインスタンス対応拡散加速
- Authors: Huiyang Shao, Xin Xia, Yuhong Yang, Yuxi Ren, Xing Wang, Xuefeng Xiao,
- Abstract要約: 既存のアクセラレーション手法では、サンプルの品質、可制御性、あるいはトレーニングの複雑さを損なう。
これらの制限に対処する新しい拡散フレームワークであるRayFlowを提案する。
大規模な実験は、スピード、制御、トレーニング効率を改善した高品質な画像の生成におけるRayFlowの優位性を実証している。
- 参考スコア（独自算出の注目度）: 17.934379261227388
- License:
- Abstract: 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.
- Abstract（参考訳）: 拡散モデルは様々な領域で顕著な成功を収めた。
しかし、その発生速度は依然として重要な課題である。
既存のアクセラレーション手法は、ステップの削減を目指す一方で、しばしばサンプルの品質、制御性、あるいは訓練の複雑さを損なう。
そこで我々は,これらの制約に対処する新しい拡散フレームワークRayFlowを提案する。
従来の方法とは異なり、RayFlowは各サンプルをインスタンス固有のターゲット分布へのユニークな経路に沿ってガイドする。
この方法は、生成の多様性と安定性を維持しながらサンプリングステップを最小化する。
さらに,重要な時間ステップに着目してトレーニング効率を向上させる重要なサンプリング手法であるTime Samplerを導入する。
大規模な実験は、既存の加速技術と比較して、速度、制御、トレーニング効率を改善した高品質な画像の生成において、RayFlowが優れていることを実証している。
関連論文リスト
- Self-Refining Diffusion Samplers: Enabling Parallelization via Parareal Iterations [53.180374639531145]
自己精製拡散サンプリング(SRDS)は、サンプル品質を維持し、追加の並列計算コストでレイテンシを向上させることができる。
微分方程式の並列時間積分法であるPararealアルゴリズムから着想を得た。
論文 参考訳（メタデータ） (2024-12-11T11:08:09Z) - Adaptive Non-Uniform Timestep Sampling for Diffusion Model Training [4.760537994346813]
データ分布が複雑化するにつれて、収束のためのトレーニング拡散モデルがますます複雑になる。
より重要な時間ステップを優先する一様でない時間ステップサンプリング手法を提案する。
提案手法は, 各種データセット, スケジューリング戦略, 拡散アーキテクチャにまたがるロバストな性能を示す。
論文 参考訳（メタデータ） (2024-11-15T07:12:18Z) - FlowTurbo: Towards Real-time Flow-Based Image Generation with Velocity Refiner [70.90505084288057]
フローベースモデルはサンプリングプロセス中により直線的なサンプリング軌道を生成する傾向にある。
擬似修正器やサンプル認識コンパイルなどいくつかの手法を導入し,推論時間をさらに短縮する。
FlowTurboはImageNet上で100(ms/img)で2.12FID、38(ms/img)で3.93FIDに達する
論文 参考訳（メタデータ） (2024-09-26T17:59:51Z) - FlowIE: Efficient Image Enhancement via Rectified Flow [71.6345505427213]
FlowIEはフローベースのフレームワークであり、基本的な分布から高品質な画像への直線パスを推定する。
私たちのコントリビューションは、合成および実世界のデータセットに関する包括的な実験を通じて、厳密に検証されています。
論文 参考訳（メタデータ） (2024-06-01T17:29:29Z) - A Closer Look at Time Steps is Worthy of Triple Speed-Up for Diffusion Model Training [53.93563224892207]
そこで本研究では,時間ステップの近さをベースとして,拡散モデル学習のための新しい高速化手法を提案する。
プラグアンドプレイでアーキテクチャに依存しないアプローチとして、SpeeDは、さまざまな拡散アーキテクチャ、データセット、タスクにわたる3回のアクセラレーションを一貫して達成している。
論文 参考訳（メタデータ） (2024-05-27T17:51:36Z) - PeRFlow: Piecewise Rectified Flow as Universal Plug-and-Play Accelerator [73.80050807279461]
Piecewise Rectified Flow (PeRFlow) は拡散モデルの高速化のためのフローベース手法である。
PeRFlowは数ステップの世代で優れたパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-05-13T07:10:53Z) - Efficient Diffusion Model for Image Restoration by Residual Shifting [63.02725947015132]
本研究では,画像復元のための新しい,効率的な拡散モデルを提案する。
提案手法は,推論中の後処理の高速化を回避し,関連する性能劣化を回避する。
提案手法は,3つの古典的IRタスクにおける現在の最先端手法よりも優れた,あるいは同等の性能を実現する。
論文 参考訳（メタデータ） (2024-03-12T05:06:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。