DREAM：扩散校正与估计自适应模型

我们提出 DREAM，一种新颖的训练框架，代表 Diffusion Rectification and Estimation Adaptive Models（扩散校正与估计自适应模型），仅需极少的代码改动（仅三行）即可显著增强扩散模型中训练与采样的一致性。DREAM 包含两个组件：扩散校正，调整训练以反映采样过程；以及估计自适应，平衡感知与失真。当应用于图像超分辨率（SR）时，DREAM 巧妙地在最小化失真与保持高图像质量之间权衡。实验表明，DREAM 优于标准的基于扩散的超分辨率方法，在取得可比结果的情况下，训练收敛速度加快 $2$ 到 $3\times$，采样步数减少 $10$ 到 $20\times$。我们希望 DREAM 能启发对扩散模型训练范式的重新思考。