去噪扩散模型中的最短路径优化
计算机视觉与模式识别
2025-03-14 v3
摘要
在本研究中，我们提出了一种基于最短路径建模的新型去噪扩散模型，通过优化残差传播来增强去噪效率和质量。借鉴去噪扩散隐式模型（DDIM）和图论的见解，我们的模型——称为最短路径扩散模型（ShortDF）——将去噪过程视为一个最短路径问题，旨在最小化重建误差。通过优化初始残差，我们提升了反向扩散过程的效率和生成样本的质量。在多个标准基准上的广泛实验表明，ShortDF显著减少了扩散时间（或步数），同时相较于先前方法提升了生成样本的视觉保真度。这项工作为我们假设，为交互式扩散应用铺平了道路，并为快速数据生成奠定了基础。代码可在 https://github.com/UnicomAI/ShortDF 获取。
引用
@article{arxiv.2503.03265,
title = {Optimizing for the Shortest Path in Denoising Diffusion Model},
author = {Ping Chen and Xingpeng Zhang and Zhaoxiang Liu and Huan Hu and Xiang Liu and Kai Wang and Min Wang and Yanlin Qian and Shiguo Lian},
journal= {arXiv preprint arXiv:2503.03265},
year = {2025}
}
备注
Accepet by CVPR 2025 (10 pages, 6 figures)