論文の概要: Hyperparameters are all you need: Using five-step inference for an original diffusion model to generate images comparable to the latest distillation model

• arxiv url: http://arxiv.org/abs/2510.02390v1
• Date: Tue, 30 Sep 2025 23:27:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.071796
• Title: Hyperparameters are all you need: Using five-step inference for an original diffusion model to generate images comparable to the latest distillation model
• Title（参考訳）: ハイパーパラメータは必要なものすべて: 5段階の推論を元の拡散モデルに使用して、最新の蒸留モデルに匹敵する画像を生成する。
• Authors: Zilai Li,
• Abstract要約: 拡散モデルは、ニューラルネットワークを反復的に適用することによって画像を生成する最先端の生成モデルである。 本研究では,拡散ODEとSDEのトラクション誤差の解析に基づいて,高品質な512 x 512と1024 x 1024の画像を8ステップで生成する学習自由度アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The diffusion model is a state-of-the-art generative model that generates an image by applying a neural network iteratively. Moreover, this generation process is regarded as an algorithm solving an ordinary differential equation or a stochastic differential equation. Based on the analysis of the truncation error of the diffusion ODE and SDE, our study proposes a training-free algorithm that generates high-quality 512 x 512 and 1024 x 1024 images in eight steps, with flexible guidance scales. To the best of my knowledge, our algorithm is the first one that samples a 1024 x 1024 resolution image in 8 steps with an FID performance comparable to that of the latest distillation model, but without additional training. Meanwhile, our algorithm can also generate a 512 x 512 image in 8 steps, and its FID performance is better than the inference result using state-of-the-art ODE solver DPM++ 2m in 20 steps. We validate our eight-step image generation algorithm using the COCO 2014, COCO 2017, and LAION datasets. And our best FID performance is 15.7, 22.35, and 17.52. While the FID performance of DPM++2m is 17.3, 23.75, and 17.33. Further, it also outperforms the state-of-the-art AMED-plugin solver, whose FID performance is 19.07, 25.50, and 18.06. We also apply the algorithm in five-step inference without additional training, for which the best FID performance in the datasets mentioned above is 19.18, 23.24, and 19.61, respectively, and is comparable to the performance of the state-of-the-art AMED Pulgin solver in eight steps, SDXL-turbo in four steps, and the state-of-the-art diffusion distillation model Flash Diffusion in five steps. We also validate our algorithm in synthesizing 1024 * 1024 images within 6 steps, whose FID performance only has a limited distance to the latest distillation algorithm. The code is in repo: https://github.com/TheLovesOfLadyPurple/Hyperparameters-are-all-you-need
• Abstract（参考訳）: 拡散モデルは、ニューラルネットワークを反復的に適用することによって画像を生成する最先端の生成モデルである。 さらに、この生成過程は、通常の微分方程式や確率微分方程式を解くアルゴリズムと見なされる。 本研究では,拡散ODEとSDEのトラクション誤差の解析に基づいて,高画質の512 x 512と1024 x 1024の画像を8ステップで生成する学習自由度アルゴリズムを提案する。 私の知る限りでは、我々のアルゴリズムは、最新の蒸留モデルに匹敵するFID性能を持つ8ステップで1024 x 1024の解像度画像をサンプリングする最初のものであるが、追加の訓練は受けていない。 一方,本アルゴリズムでは,8ステップで512 x 512の画像を生成することができ,20ステップで最先端のODEソルバDPM++ 2mを用いた予測結果よりもFID性能が優れている。 我々はCOCO 2014 COCO 2017とLAIONデータセットを用いて8段階の画像生成アルゴリズムを検証する。 最高のFIDパフォーマンスは15.7、22.35、そして17.52です。 DPM++2mのFID性能は17.3、23.75、17.33である。 さらに、FID性能が19.07、25.50、および18.06である最先端のAMED-pluginソルバよりも優れている。 また、このアルゴリズムを追加トレーニングなしで5段階推論に適用し、上記のデータセットで最高のFID性能は19.18、23.24、19.61であり、最先端のAMED Pulginソルバの8ステップでの性能、SDXL-turboの4ステップでの性能、最先端の拡散蒸留モデルFlash Diffusionの5ステップでの性能に匹敵する。 また,FID性能が最新の蒸留アルゴリズムと限られた距離しか持たない1024×1024画像を6ステップで合成する際のアルゴリズムの有効性を検証した。 コードはリポジトリにある。 https://github.com/TheLovesOfLadyPurple/Hyperparameters-are-all-need

関連論文リスト

• LowDiff: Efficient Diffusion Sampling with Low-Resolution Condition [12.702798486507225]
  LowDiffは、カスケードアプローチに基づく、新しく効率的な拡散フレームワークである。 LowDiffは、低解像度から所望の解像度まで画像を段階的に洗練する統一モデルを採用している。
  論文  参考訳（メタデータ） (2025-09-18T18:31:56Z)
• Distilling Parallel Gradients for Fast ODE Solvers of Diffusion Models [53.087070073434845]
  拡散モデル(DM)は、最先端の生成性能を達成したが、シーケンシャルなデノナイジング特性のため、高いサンプリング遅延に悩まされている。 既存のソルバベースの加速度法では、低レイテンシの予算で画像品質が劣化することが多い。 本稿では、各ODEステップに複数の並列勾配評価を組み込むことで、トランケーションエラーを軽減する新しいODEソルバであるEnsemble Parallel Direction Solutionrを提案する。
  論文  参考訳（メタデータ） (2025-07-20T03:08:06Z)
• Adversarial Score identity Distillation: Rapidly Surpassing the Teacher in One Step [64.53013367995325]
  生成品質と蒸留効率を向上させるSiDA(SiD with Adversarial Loss)を導入する。 SiDAは実画像と敵対的損失を取り入れており、実画像とSiDによって生成された画像を区別することができる。 SiDAは、スクラッチから蒸留した場合、前者よりもかなり早く収束する。
  論文  参考訳（メタデータ） (2024-10-19T00:33:51Z)
• An Image is Worth 32 Tokens for Reconstruction and Generation [54.24414696392026]
  Transformer-based 1-dimensional Tokenizer (TiTok) は、画像を1D潜在シーケンスにトークン化する革新的なアプローチである。 TiTokは最先端のアプローチと競合するパフォーマンスを実現している。 我々の最高性能の変種は、DiT-XL/2 (gFID 2.13 vs. 3.04) をはるかに上回りながら、高品質なサンプルを74倍高速に生成できる。
  論文  参考訳（メタデータ） (2024-06-11T17:59:56Z)
• Diffusion Models Are Innate One-Step Generators [2.3359837623080613]
  拡散モデル(DM)は優れた高品質な結果をもたらす。 DMの層は異なる時間ステップで微分活性化され、単一のステップで画像を生成する固有の能力をもたらす。 提案手法は, CIFAR-10, AFHQv2 64x64 (FID 1.23), FFHQ 64x64 (FID 0.85), ImageNet 64x64 (FID 1.16) のSOTA結果を効率よく達成する。
  論文  参考訳（メタデータ） (2024-05-31T11:14:12Z)
• AutoDiffusion: Training-Free Optimization of Time Steps and Architectures for Automated Diffusion Model Acceleration [57.846038404893626]
  本稿では,拡散モデルに対する効率的な画像生成を実現するために,最適な時間ステップシーケンスと圧縮モデルアーキテクチャを統一されたフレームワークで探索することを提案する。 実験結果から,ImageNet 64$times$64の17.86 FIDスコアとDDIMの138.66の4ステップのFIDスコアを用いると,優れた性能が得られることがわかった。
  論文  参考訳（メタデータ） (2023-09-19T08:57:24Z)

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。