受约束学习加速移动边缘生成（MEG）

提出一种新型受约束学习加速移动边缘生成（MEG）的框架，用于在移动设备上生成高分辨率图像。利用跨边缘服务器（ES）和用户设备（UE）分布的大规模潜在扩散模型（LDM），通过在 ES 和 UE 之间传输低维特征实现成本效益的人工智能生成内容（AIGC）。为减少分布式计算和传输的开销，构思了动态扩散和特征合并方案。通过联合优化去噪步骤和特征合并比率，在延迟和能耗约束下最大化图像生成质量。为解决该问题并定制 LDM 子模型，开发了一种低复杂度的 MEG 加速协议。特别地，通过离线蒸馏训练 backbone 元架构。然后在在线信道环境下确定动态扩散和特征合并，可视为受约束马尔可夫决策过程（MDP）。进一步提出基于约束变分策略优化（CVPO）的 MEG 算法，以保证约束学习，称为 MEG-CVPO。数值结果验证了：1）所提框架能在噪声信道上生成 1024$\times$1024 高质量图像，比常规生成方案降低超过 40% 的延迟。2）所开发的 MEG-CVPO有效缓解约束违规，从而灵活控制图像失真与生成成本之间的权衡。