論文の概要: Efficient Coarse-to-Fine Diffusion Models with Time Step Sequence Redistribution

• arxiv url: http://arxiv.org/abs/2603.21348v1
• Date: Sun, 22 Mar 2026 18:16:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.370984
• Title: Efficient Coarse-to-Fine Diffusion Models with Time Step Sequence Redistribution
• Title（参考訳）: 時間ステップ列再分配による高能率粗関数拡散モデル
• Authors: Yu-Shan Tai, An-Yeu, Wu,
• Abstract要約: 本稿では,粗い特徴生成時の計算量を削減するためにC2F(Coarse-to-Fine Denoising)を導入する。 また,探索に10分もかからない効率的なサンプリング軌道調整のために,時間ステップ列再分配(TRD)を設計した。 実験により,CIFAR10とLSUN-Churchの計算量を80%から90%削減し,ほぼロスレス性能を実現することを確認した。
• 参考スコア（独自算出の注目度）: 1.2744523252873352
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, diffusion models (DMs) have made significant strides in high-quality image generation. However, the multi-step denoising process often results in considerable computational overhead, impeding deployment on resource-constrained edge devices. Existing methods mitigate this issue by compressing models and adjusting the time step sequence. However, they overlook input redundancy and require lengthy search times. In this paper, we propose Coarse-to-Fine Diffusion Models with Time Step Sequence Redistribution. Recognizing indistinguishable early-stage generated images, we introduce Coarse-to-Fine Denoising (C2F) to reduce computation during coarse feature generation. Furthermore, we design Time Step Sequence Redistribution (TRD) for efficient sampling trajectory adjustment, requiring less than 10 minutes for search. Experimental results demonstrate that the proposed methods achieve near-lossless performance with an 80% to 90% reduction in computation on CIFAR10 and LSUN-Church.
• Abstract（参考訳）: 近年,拡散モデル (DM) は高品質の画像生成において大きな進歩を遂げている。 しかし、マルチステップのデノナイジングプロセスは、しばしばかなりの計算オーバーヘッドをもたらし、リソース制約されたエッジデバイスへのデプロイメントを妨げる。 既存の方法は、モデルを圧縮し、タイムステップシーケンスを調整することでこの問題を軽減する。 しかし、それらは入力冗長性を見落とし、長い検索時間を必要とする。 本稿では,時間ステップ列再分配による粗大な拡散モデルを提案する。 未分化の早期生成画像を認識し,粗い特徴生成時の計算量を削減するために,粗い特徴生成(C2F)を導入する。 さらに,探索に10分もかからない効率的なサンプリング軌道調整のために,時間ステップ列再分配(TRD)を設計する。 実験により,CIFAR10とLSUN-Churchの計算量を80%から90%削減し,ほぼロスレス性能を実現することを確認した。

関連論文リスト

• Test-Time Scaling of Diffusion Models via Noise Trajectory Search [10.8507840358202]
  我々は,デミキシングの中間段階において,極端時間と局所的なエクスプロイトをグローバルに探索する$epsilon$-greedy検索アルゴリズムを導入する。 EDMと安定拡散の実験は、クラス条件/テキスト-画像生成のための最先端スコアを明らかにする。
  論文  参考訳（メタデータ） (2025-05-24T19:13:29Z)
• Geodesic Diffusion Models for Efficient Medical Image Enhancement [6.689992048758046]
  確率空間における最短経路に対応する測地線ノイズスケジュールをフィッシャー・ラオ計量の下で提案する。 これらのスケジュールに基づいて、トレーニングとサンプリング効率を大幅に改善する測地拡散モデル(GDM)を提案する。 医用画像強調作業におけるGDMの評価を行った。
  論文  参考訳（メタデータ） (2025-03-02T05:57:51Z)
• Fast constrained sampling in pre-trained diffusion models [80.99262780028015]
  任意の制約下で高速で高品質な生成を可能にするアルゴリズムを提案する。 我々の手法は、最先端のトレーニングフリー推論手法に匹敵するか、超越した結果をもたらす。
  論文  参考訳（メタデータ） (2024-10-24T14:52:38Z)
• TMPQ-DM: Joint Timestep Reduction and Quantization Precision Selection for Efficient Diffusion Models [40.5153344875351]
  我々はTMPQ-DMを導入し、タイムステップの削減と量子化を共同で最適化し、優れた性能・効率のトレードオフを実現する。 時間段階の削減のために、デノナイジング過程の非一様性に合わせた非一様グルーピングスキームを考案する。 量子化の観点では、最終的な生成性能に対するそれぞれの貢献に基づいて、異なる層に異なるビット幅を割り当てる、きめ細かいレイヤーワイズアプローチを採用する。
  論文  参考訳（メタデータ） (2024-04-15T07:51:40Z)
• Towards More Accurate Diffusion Model Acceleration with A Timestep Tuner [112.99126045081046]
  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。 最小コストで特定の区間に対してより正確な積分方向を求めるのに役立つtextbftimestep tuner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)
• Post-Processing Temporal Action Detection [134.26292288193298]
  時間的行動検出(TAD)法は、通常、入力された可変長のビデオを固定長のスニペット表現シーケンスに変換する際に、前処理のステップを踏む。 この前処理ステップは、ビデオを時間的にダウンサンプリングし、推論の解像度を低減し、元の時間分解における検出性能を阻害する。 モデルの再設計や再学習を伴わない新しいモデル非依存のポストプロセッシング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-27T19:50:37Z)

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。