通过强化学习加速掩码图像生成器的推理
计算机视觉与模式识别
2025-12-02 v1
摘要
掩码生成模型 (MGM) 在生成高保真图像方面表现出强大的能力。然而，它们需要许多采样步骤才能产生高质量的生成结果，从而导致推理速度较慢。本文提出了 Speed-RL 方法，作为加速预训练 MGM 以在更少步骤内生成高质�图像的新范式。不同于将加速问题形式化为分布匹配问题的常规蒸馏方法（即训练少数步骤的学生模型以匹配由多步骤教师模型生成的分布），我们将其视为强化学习问题。由于加速的目标是在更少步骤内生成高质量图像，我们可以将质量奖励与速度奖励组合，并使用组合奖励作为优化目标对基础模型进行微调。通过大量实验，我们展示了所提出的方法能够在保持可 comparable图像质量的同时，将基础模型加速 3 倍。
引用
@article{arxiv.2512.01094,
title = {Accelerating Inference of Masked Image Generators via Reinforcement Learning},
author = {Pranav Subbaraman and Shufan Li and Siyan Zhao and Aditya Grover},
journal= {arXiv preprint arXiv:2512.01094},
year = {2025}
}
备注
15 pages, 9 figures