利用前序步骤：面向流扩散的无训练快速求解器
计算机视觉与模式识别
2025-02-18 v2
摘要
流扩散模型（FDMs）因其高生成质量近期在生成任务中展现出潜力。然而，FDMs 当前的常微分方程（ODE）求解器（如欧拉求解器）仍因生成缓慢而受限，因为 ODE 求解器需要大量函数评估次数（NFE）以保持高质量生成。本文提出了一种新颖的无训练流求解器，以在保持高质量生成的同时降低 NFE。流求解器的关键洞察是利用前序步骤来减少 NFE，即创建缓存以复用前序步骤的结果。具体而言，首先使用泰勒展开近似 ODE。为了计算泰勒展开的高阶导数，流求解器提议利用前序步骤和多项式插值进行近似，可近似的阶数等于缓存的前序步骤数。我们还证明了流求解器具有更小的近似误差和更快的生成速度。在 CIFAR-10、CelebA-HQ、LSUN-Bedroom、LSUN-Church、ImageNet 以及真实文本到图像生成上的实验结果证明了流求解器的高效性。具体而言，在 CIFAR-10 和 LSUN-Church 上，当 时，流求解器将 FID-30K 分别从 13.79 降至 6.75、从 46.64 降至 19.49。
引用
@article{arxiv.2411.07627,
title = {Leveraging Previous Steps: A Training-free Fast Solver for Flow Diffusion},
author = {Kaiyu Song and Hanjiang Lai},
journal= {arXiv preprint arXiv:2411.07627},
year = {2025}
}