論文の概要: DualFast: Dual-Speedup Framework for Fast Sampling of Diffusion Models

• arxiv url: http://arxiv.org/abs/2506.13058v1
• Date: Mon, 16 Jun 2025 02:59:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:47.388775
• Title: DualFast: Dual-Speedup Framework for Fast Sampling of Diffusion Models
• Title（参考訳）: DualFast:拡散モデルの高速サンプリングのためのデュアル高速化フレームワーク
• Authors: Hu Yu, Hao Luo, Fan Wang, Feng Zhao,
• Abstract要約: 拡散確率モデル(DPM)は視覚生成において顕著な成功を収めた。 反復サンプリングによる推論速度の低下に悩まされる。 既存の高速サンプリング器は、離散化誤差を減らすために刺激的な努力をする。 サンプリングプロセスはさらに加速できるのだろうか?
• 参考スコア（独自算出の注目度）: 17.108496821429494
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion probabilistic models (DPMs) have achieved impressive success in visual generation. While, they suffer from slow inference speed due to iterative sampling. Employing fewer sampling steps is an intuitive solution, but this will also introduces discretization error. Existing fast samplers make inspiring efforts to reduce discretization error through the adoption of high-order solvers, potentially reaching a plateau in terms of optimization. This raises the question: can the sampling process be accelerated further? In this paper, we re-examine the nature of sampling errors, discerning that they comprise two distinct elements: the widely recognized discretization error and the less explored approximation error. Our research elucidates the dynamics between these errors and the step by implementing a dual-error disentanglement strategy. Building on these foundations, we introduce an unified and training-free acceleration framework, DualFast, designed to enhance the speed of DPM sampling by concurrently accounting for both error types, thereby minimizing the total sampling error. DualFast is seamlessly compatible with existing samplers and significantly boost their sampling quality and speed, particularly in extremely few sampling steps. We substantiate the effectiveness of our framework through comprehensive experiments, spanning both unconditional and conditional sampling domains, across both pixel-space and latent-space DPMs.
• Abstract（参考訳）: 拡散確率モデル(DPM)は視覚生成において顕著な成功を収めた。 一方、反復サンプリングによる推論速度の低下に悩まされる。 サンプリングステップを減らすことは直感的な解決策だが、これはまた、離散化エラーをもたらす。 既存の高速サンプリング器は高次解法の導入による離散化誤差の低減に意欲的であり、最適化の観点からは高水準に達する可能性がある。 サンプリングプロセスはさらに加速できるのだろうか? 本稿では, サンプリング誤差の性質を再検討し, 広く認識されている離散化誤差と, 探索されていない近似誤差の2つの異なる要素を識別する。 本研究は、これらのエラーとステップのダイナミクスを、二重エラーの解離戦略を実装することによって解明する。 これらの基盤を基盤として,DPMサンプリングの高速化を目的としたDualFastという一元的かつトレーニング不要な高速化フレームワークを導入し,全サンプリング誤差を最小化する。 DualFastは既存のサンプルとシームレスに互換性があり、サンプリングの質とスピードを大幅に向上させる。 我々は,非条件サンプリングドメインと条件サンプリングドメインの両方を,ピクセル空間と潜在空間の両方のDPMにまたがって,包括的な実験を通じてフレームワークの有効性を実証する。

関連論文リスト

• Quantizing Diffusion Models from a Sampling-Aware Perspective [43.95032520555463]
  本稿では,混合次軌道アライメント手法を考案したサンプリング対応量子化手法を提案する。 複数のデータセットにまたがるスパースステップ高速サンプリング実験により,本手法は高速サンプリング器の高速収束特性を保っていることが示された。
  論文  参考訳（メタデータ） (2025-05-04T20:50:44Z)
• Fast T2T: Optimization Consistency Speeds Up Diffusion-Based Training-to-Testing Solving for Combinatorial Optimization [83.65278205301576]
  雑音レベルから与えられたインスタンスの最適解への直接写像を学習し、最小限のショットで高品質な生成を容易にすることを提案する。 これは、サンプル間の差を最小限に抑える最適化一貫性トレーニングプロトコルによって達成される。 The Traveling Salesman Problem (TSP) と Maximal Independent Set (MIS) は、ソリューションの品質と効率の両方に関して、Fast T2Tの優位性を実証している。
  論文  参考訳（メタデータ） (2025-02-05T07:13:43Z)
• 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)
• Towards More Accurate Diffusion Model Acceleration with A Timestep Aligner [84.97253871387028]
  数千のデノナイジングステップを用いて画像を生成するために定式化された拡散モデルは通常、遅い推論速度に悩まされる。 最小限のコストで特定の区間に対するより正確な積分方向を見つけるのに役立つ時間ステップ整合器を提案する。 実験により,我々のプラグイン設計を効率的に訓練し,様々な最先端加速度法の推論性能を向上できることが示された。
  論文  参考訳（メタデータ） (2023-10-14T02:19:07Z)
• Parallel Sampling of Diffusion Models [76.3124029406809]
  拡散モデルは強力な生成モデルであるが、サンプリングが遅い。 そこで本研究では,複数のステップを並列にdenoisingすることで,事前学習した拡散モデルのサンプリングを高速化するParaDiGMSを提案する。
  論文  参考訳（メタデータ） (2023-05-25T17:59:42Z)
• DPM-Solver++: Fast Solver for Guided Sampling of Diffusion Probabilistic Models [48.03883068553105]
  DPM-r++はDPMのガイドサンプリングのための高次解法である。 DPM-r++は15から20ステップで高品質なサンプルを生成できることを示す。
  論文  参考訳（メタデータ） (2022-11-02T13:14:30Z)

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。