面向快速稳健扩散模型采样的层次化调度优化
机器学习
2026-05-20 v3 计算机视觉与模式识别
摘要
扩散概率模型在生成保真度方面制定了新的标准，但受限于缓慢的迭代采样过程。一种强大的训练-free 策略是调度优化，通过寻找在固定且小的函数评估次数（NFE）下的最优时间步分布，以最大化样本质量。为此，成功的调度优化方法必须同时满足四个核心原则：有效性、适应性、实用稳健性和计算效率。然而，现有的范式在满足这些原则方面存在困难，促使需要更高级的解决方案。为克服这些限制，本文提出层次化调度优化器（Hierarchical-Schedule-Optimizer，HSO），一种新型且高效的双层优化框架。HSO通过在两个协同的层面之间交替进行来重新构思寻找全局最优调度的问题，这两个层面分别是：上层对最优初始化策略的全局搜索，以及下层对调度细化的局部优化。这一过程由两个关键创新驱动：Midpoint Error Proxy（MEP），一种无solver依赖且数值稳定的局部优化目标，用于有效实现；以及Spacing-Penalized Fitness（SPF）函数，通过惩罚异常接近的时间步来确保实用稳健性。大量实验表明，HSO在极端低NFE regime 下的训练-free 采样设定了新的state-of-the-art。例如，在NFE仅为5时，HSO在Stable Diffusion v2.1上的LAION-Aesthetics数据集上实现了惊人的FID为11.94。关键的是，这一水平的性能并非通过高昂的重新训练实现，而是通过一次性优化成本不足8秒获得的，这为扩散模型加速提供了极其实用和高效的范式。
引用
@article{arxiv.2511.11688,
title = {Hierarchical Schedule Optimization for Fast and Robust Diffusion Model Sampling},
author = {Aihua Zhu and Rui Su and Qinglin Zhao and Li Feng and Meng Shen and Shibo He},
journal= {arXiv preprint arXiv:2511.11688},
year = {2026}
}
备注
Preprint, accepted to AAAI 2026