LowDiff：基于低分辨率条件的高效扩散采样
计算机视觉与模式识别
2026-03-16 v2
摘要
扩散模型在图像生成方面取得了显著成功，但其实际应用常因采样速度慢而受阻。此前提高效率的努力主要集中于压缩模型或减少去噪步骤总数，在很大程度上忽视了利用生成过程中多输入分辨率的可能性。在这项工作中，我们提出了LowDiff，一个基于级联方法的新型高效扩散框架，通过该方法生成逐渐提高分辨率的输出。此外，LowDiff采用统一模型从低分辨率逐步细化到期望分辨率。通过提出的架构设计和生成技术，我们以更少的高分辨率采样步骤实现了可比甚至更优的性能。LowDiff适用于像素空间和潜空间中的扩散模型。在CIFAR-10、FFHQ和ImageNet上的条件生成和无条件生成任务的广泛实验证明了该方法的有效性和通用性。结果显示在所有数据集和设置下吞吐量提升超过50%，同时保持了可比或更优的质量。在无条件CIFAR-10上，LowDiff达到FID 2.11和IS 9.87；在条件CIFAR-10上，FID为1.94，IS为10.03。在FFHQ 64×64上，LowDiff达到FID 2.43；在ImageNet 256×256上，基于LightningDiT-B/1的LowDiff以FID 4.00和IS 195.06生成高质量样本，同时实现了显著的效率提升。
引用
@article{arxiv.2509.15342,
title = {LowDiff: Efficient Diffusion Sampling with Low-Resolution Condition},
author = {Jiuyi Xu and Qing Jin and Meida Chen and Andrew Feng and Yang Sui and Yangming Shi},
journal= {arXiv preprint arXiv:2509.15342},
year = {2026}
}
备注
16 pages, 7 figures, 12 tables