論文の概要: Error Propagation Mechanisms and Compensation Strategies for Quantized Diffusion

• arxiv url: http://arxiv.org/abs/2508.12094v1
• Date: Sat, 16 Aug 2025 16:31:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.564436
• Title: Error Propagation Mechanisms and Compensation Strategies for Quantized Diffusion
• Title（参考訳）: 量子拡散における誤差伝播機構と補償方略
• Authors: Songwei Liu, Hong Liu, Fangmin Chen, Xurui Peng, Chenqian Yan, Lean Fu, Xing Mei,
• Abstract要約: 拡散モデルは、前例のない品質と創造性のベンチマークを確立することによって、画像合成を変革した。 大規模なデプロイメントは、計算集約的な反復的デノゲーションプロセスによる課題に直面している。 拡散モデルにおける誤差伝播を数学的に定式化する理論的枠組みを開発する。 時間ステップを考慮した累積誤差補償方式を提案する。
• 参考スコア（独自算出の注目度）: 9.280777025077995
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Diffusion models have transformed image synthesis by establishing unprecedented quality and creativity benchmarks. Nevertheless, their large-scale deployment faces challenges due to computationally intensive iterative denoising processes. Although post-training quantization(PTQ) provides an effective pathway for accelerating sampling, the iterative nature of diffusion models causes stepwise quantization errors to accumulate progressively during generation, inevitably compromising output fidelity. To address this challenge, we develop a theoretical framework that mathematically formulates error propagation in Diffusion Models (DMs), deriving per-step quantization error propagation equations and establishing the first closed-form solution for cumulative error. Building on this theoretical foundation, we propose a timestep-aware cumulative error compensation scheme. Extensive experiments across multiple image datasets demonstrate that our compensation strategy effectively mitigates error propagation, significantly enhancing existing PTQ methods to achieve state-of-the-art(SOTA) performance on low-precision diffusion models.
• Abstract（参考訳）: 拡散モデルは、前例のない品質と創造性のベンチマークを確立することによって、画像合成を変革した。 それにもかかわらず、彼らの大規模デプロイメントは、計算集約的な反復的デノゲーションプロセスによる課題に直面している。 後学習量子化(PTQ)はサンプリングを加速する有効な経路を提供するが、拡散モデルの反復性は、生成時に段階的に量子化誤差が徐々に蓄積し、必然的に出力の忠実さを損なう。 この課題に対処するため、拡散モデル(DM)における誤差伝播を数学的に定式化し、ステップごとの量子化誤差伝播方程式を導出し、累積誤差に対する最初の閉形式解を確立する理論的枠組みを開発する。 本稿では,この理論に基づく累積誤差補償手法を提案する。 複数の画像データセットにまたがる大規模な実験により、我々の補償戦略はエラーの伝播を効果的に軽減し、精度の低い拡散モデル上での最先端(SOTA)性能を達成するために既存のPTQ法を大幅に強化することを示した。

関連論文リスト

• Timestep-Aware Correction for Quantized Diffusion Models [28.265582848911574]
  本稿では,量子化誤差を動的に補正する量子化拡散モデルの時間ステップ対応補正法を提案する。 提案手法を低精度拡散モデルに応用することにより,出力品質の大幅な向上が期待できる。
  論文  参考訳（メタデータ） (2024-07-04T13:22:31Z)
• EDA-DM: Enhanced Distribution Alignment for Post-Training Quantization of Diffusion Models [8.742501879586309]
  量子化はモデルの複雑性を効果的に低減し、後学習量子化(PTQ)は拡散モデルの圧縮と加速に非常に有望である。 既存のPTQ法は, キャリブレーションサンプルレベルと再構成出力レベルの両方の分布ミスマッチ問題に悩まされている。 本稿では,上記の問題に効率的に対処する標準化されたPTQ手法であるEDA-DMを提案する。
  論文  参考訳（メタデータ） (2024-01-09T14:42:49Z)
• Post-training Quantization for Text-to-Image Diffusion Models with Progressive Calibration and Activation Relaxing [49.800746112114375]
  本稿では,テキスト・画像拡散モデルのための学習後量子化手法(プログレッシブ・アンド・リラクシング)を提案する。 我々は,安定拡散XLの量子化を初めて達成し,その性能を維持した。
  論文  参考訳（メタデータ） (2023-11-10T09:10:09Z)
• On Error Propagation of Diffusion Models [77.91480554418048]
  DMのアーキテクチャにおける誤り伝播を数学的に定式化するための理論的枠組みを開発する。 累積誤差を正規化項として適用して誤差伝搬を低減する。 提案した正規化はエラーの伝播を低減し,バニラDMを大幅に改善し,以前のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-08-09T15:31:17Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)

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。