去噪步数减少50%，图像生成质量反而更好！西湖大学等提出TPDM：自适应噪声调度

文章预览

关注 「 AIWalker 」 并 星标 从此AI不迷路 作者：Zilyu Ye 等     解读： AI生成未来 文章链接：https://arxiv.org/pdf/2412.01243 亮点直击 提出了 时间预测扩散模型（TPDM） ，该模型可以在推理过程中自适应地调整噪声调度，实现图像质量和模型效率之间的平衡。 为了训练TPDM，通过强化学习最大化图像质量，并根据去噪步骤数折扣，直接优化最终的性能和效率。 模型在多个评估基准上表现优越，在减少推理步数的同时取得了更好的结果。 总览全文 扩散模型和流模型在文本到图像生成等多种应用中取得了显著成功。然而，这些模型通常在推理过程中依赖于相同的预定去噪调度策略，这可能限制了推理效率以及在处理不同提示时的灵活性。本文认为，最优的噪声调度应该适应每个推理实例，并提出了 时间预测扩散模型（TPDM） 来实现这一目标。 TPDM采用了一 ………………………………