TD-Paint：通过时感知像素条件实现更快的扩散填充
计算机视觉与模式识别
2025-06-25 v2
摘要
扩散模型已成为高效的填充技术，但仍受限于较慢的采样速度。尽管近期进展提升了生成质量，但也增加了采样时间，从而限制了在实际应用中的可扩展性。我们研究了基于扩散的填充模型的生成采样过程，发现这些模型在初始采样步骤中对输入条件的利用很小。结果是，采样轨迹偏离数据流形，需通过复杂的同步机制来重新对齐生成过程。为此，我们提出时感知扩散填充（TD-Paint），一种新方法，通过在像素级别建模可变噪声水平来适应扩散过程。这一技术允许模型从一开始就高效地利用已知像素值，将生成过程引导至目标流形。通过在扩散过程中早期嵌入此信息，TD-Paint 在不损害图像质量的前提下显著加快了采样速度。不同于需要专用架构或昂贵生成循环的常规扩散填充模型，TD-Paint 在不进行架构修改的情况下实现了更快的采样速度。实验结果表明，TD-Paint 在三个数据集上超越了最先进的扩散模型，同时保持更低的复杂度。
引用
@article{arxiv.2410.09306,
title = {TD-Paint: Faster Diffusion Inpainting Through Time Aware Pixel Conditioning},
author = {Tsiry Mayet and Pourya Shamsolmoali and Simon Bernard and Eric Granger and Romain Hérault and Clement Chatelain},
journal= {arXiv preprint arXiv:2410.09306},
year = {2025}
}