論文の概要: TMP: Tree-structured Mixed-policy Pruning for Large-scale Image Generation and Editing
- arxiv url: http://arxiv.org/abs/2606.27089v1
- Date: Thu, 25 Jun 2026 14:26:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.320853
- Title: TMP: Tree-structured Mixed-policy Pruning for Large-scale Image Generation and Editing
- Title（参考訳）: TMP:大規模画像生成・編集のための木構造混合政治プランニング
- Abstract要約: 我々は,最初の木構造混合政治計画フレームワークであるTMPを提案する。
画像タスク(T2IとTI2I)と合成(Mixture-of-Experts (MoE)とDiffusion Transformer (DiT))を一般化する。
我々は,現在オープンソースとなっているSOTA Hunyuan Image-3.0インストラクションと,一般的なZ画像ターボ実験を行った。
- 参考スコア（独自算出の注目度）: 26.73949070764877
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern image generation model rapidly grows their sizes to meet high-fidelity image synthesis. However, they gradually become unaffordable for their enormous parameter consumption and computation budget that lead to massive resources requirement and gpu memory footprint. In this paper, we propose TMP, the first Tree-structured Mixed-policy Pruning framework that generalizes prevalent image tasks (T2I and TI2I) and architectures (Mixture-of-Experts (MoE) and Diffusion transformer (DiT)). It could be applied to the step-distilled models and contribute as the last stage. We perform experiments upon current open-sourced SOTA HunyuanImage-3.0 instruct and a popular efficient model Z-Image turbo. The proposed pruning framework manages to compress HunyuanImage 3.0 from 80B to 20B parameters at 75% reduction ratio, sacrificing limited generation quality. We also optimize to enable the inference of the pruned 20B version of HunyuanImage 3.0 on a single 24GB 4090 GPU by engineering skills. The inference script and model weight have been integrated into the existing HunyuanImage3.0 open-source github and huggingface repository. Besides, we prove the efficacy of TMP by compressing Z-Image turbo from 6B to 4B (33% reduction) with negligible degradation.
- Abstract（参考訳）: 現代の画像生成モデルは、高速な画像合成を実現するために、そのサイズを急速に拡大する。
しかし、膨大なリソース要求とgpuメモリフットプリントに繋がる膨大なパラメータ消費と計算予算のために、徐々に不満足になってきた。
本稿では,一般的な画像タスク (T2I と TI2I) とアーキテクチャ (Mixture-of-Experts (MoE) と Diffusion Transformer (DiT)) を一般化した,最初の木構造複合型プルーニングフレームワークであるTMPを提案する。
ステップ蒸留モデルに適用でき、最終段階として貢献できる。
我々は,現在オープンソースとなっているSOTA Hunyuan Image-3.0インストラクションと,一般的なZ画像ターボ実験を行った。
提案手法は, Hunyuan Image 3.0 を 80B から 20B のパラメータに圧縮し, 75% の削減率で圧縮し, 限られた生成品質を犠牲にする。
また,24GBの4090 GPU上で,Hunyuan Image 3.0の20Bバージョンをエンジニアリングスキルで推論できるように最適化した。
推論スクリプトとモデルウェイトは、既存のHunyuanImage3.0オープンソースgithubとHuggingfaceリポジトリに統合されている。
また,Zイメージターボを6Bから4B(33%)まで圧縮し,TMPの有効性を実証した。
関連論文リスト
- Boogu-Image-0.1: Boosting Open Agentic Multimodal Generation via Understanding under a Minimal Budget [110.65684175617822]
本稿では,オープンソースの統合マルチモーダル理解・生成モデルファミリであるBoogu-Image-0.1を紹介する。
高品質なテキスト画像生成、高速推論、命令ベースの編集、バイリンガル(中国語)テキストレンダリングにおいて、競争力のあるパフォーマンスを提供する。
論文 参考訳（メタデータ） (2026-07-14T17:52:05Z) - Amber-Image: Efficient Compression of Large-Scale Diffusion Transformers [15.339385087773744]
本稿では,60層のMMDiTをベースとしたQwen-Imageを,スクラッチからトレーニングを受けることなく軽量なモデルに変換する,効率的な圧縮フレームワークを提案する。
本稿では,一連のテキスト・ツー・イメージ(T2I)モデルであるAmber-Imageを紹介する。
提案手法は,パラメータを70%削減し,大規模データエンジニアリングの必要性を解消する。
論文 参考訳（メタデータ） (2026-02-19T03:33:41Z) - DeepGen 1.0: A Lightweight Unified Multimodal Model for Advancing Image Generation and Editing [67.77471070868852]
DeepGen 1.0は、画像生成と編集のための軽量な5B統一モデルである。
わずか5000万のサンプルでトレーニングされており、WISEでは80BのHunyuan Imageを28%、UniREditBenchでは27BのQwen-Image-Editを37%上回っている。
トレーニングコード、ウェイト、データセットをオープンソース化することで、統合マルチモーダルリサーチを民主化する、効率的で高性能な代替手段を提供します。
論文 参考訳（メタデータ） (2026-02-12T17:44:24Z) - Z-Image: An Efficient Image Generation Foundation Model with Single-Stream Diffusion Transformer [38.99742258165009]
Z-Imageは、"スケール・アット・オール・コスト"パラダイムに挑戦する効率的な基礎生成モデルである。
我々のモデルは、様々な分野において主要な競合相手に匹敵する、またはそれを上回るパフォーマンスを達成する。
当社のコード、ウェイト、オンラインデモを公開し、予算に優しい、最先端のジェネレーティブモデルの開発を奨励しています。
論文 参考訳（メタデータ） (2025-11-27T18:52:07Z) - ExGS: Extreme 3D Gaussian Compression with Diffusion Priors [60.7245825868903]
エクストリーム3DGS圧縮のためのExGSとGaussPainterを紹介する。
GassPainterは、欠落した領域を埋め、可視画素を強化し、劣化したレンダリングを大幅に改善する。
私たちのフレームワークは100X圧縮(典型的な354.77MBモデルから約3.31MBまで)も達成できます。
論文 参考訳（メタデータ） (2025-09-29T13:23:06Z) - HunyuanImage 3.0 Technical Report [108.37590035377143]
HunyuanImage 3.0は、自動回帰フレームワーク内でのマルチモーダル理解と生成を統合する、ネイティブなマルチモーダルモデルである。
HunyuanImage 3.0は、これまでで最大かつ最も強力なオープンソース画像生成モデルである。
論文 参考訳（メタデータ） (2025-09-28T16:14:10Z) - MoDeGPT: Modular Decomposition for Large Language Model Compression [59.361006801465344]
本稿では,新しい構造化圧縮フレームワークである textbfModular bfDecomposition (MoDeGPT) を紹介する。
MoDeGPTはTransformerブロックを行列対からなるモジュールに分割し、隠れた次元を減らす。
本実験では, 後方伝播を伴わないMoDeGPTが, 従来の圧縮手法と一致するか, あるいは超えていることを示す。
論文 参考訳（メタデータ） (2024-08-19T01:30:14Z) - Diffusion Model Compression for Image-to-Image Translation [25.46012859377184]
拡散型I2Iモデルに適した新しい圧縮手法を提案する。
I2Iモデルの画像条件が既に画像構造に関する豊富な情報を提供するという観測に基づいて、モデルサイズと遅延を低減するための驚くほど単純で効果的なアプローチを開発する。
提案手法は, モデルフットプリントの39.2%, 56.4%, 39.2%, 81.4%, 68.7%, および31.1%の遅延をそれぞれInstructPix2Pix, StableSR, ControlNetに減少させることで, 良好な出力品質を実現する。
論文 参考訳（メタデータ） (2024-01-31T02:25:52Z) - KOALA: Empirical Lessons Toward Memory-Efficient and Fast Diffusion Models for Text-to-Image Synthesis [52.42320594388199]
効率的なテキスト・ツー・イメージ・モデルを構築する上で重要なプラクティスを3つ提示する。
これらの結果に基づき、KOALA-Turbo &-Lightningと呼ばれる2種類の効率的なテキスト・画像モデルを構築した。
SDXLとは異なり、私たちのKOALAモデルは8GBのVRAM(3060Ti)を持つコンシューマグレードGPU上で1024pxの高解像度画像を生成することができる。
論文 参考訳（メタデータ） (2023-12-07T02:46:18Z)
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。