高效扩散模型的迭代时序误差校正
机器学习
2026-02-10 v3 计算机视觉与模式识别
摘要
随着在资源受限设备上高质量图像生成需求的增长，高效扩散模型受到日益关注的注意。然而，这些模型因效率技术引入的近似误差会显著降低生成质量。一旦部署，这些误差难以纠正，因为在部署环境中修改模型通常不可行。通过分析扩散时序步骤中的误差传播，本文揭示这些近似误差可呈指数级累积，严重损害输出质量。基于此洞察，本文提出迭代误差校正（Iterative Error Correction, IEC），一种新的测试时方法，通过迭代细化模型输出来缓解推理时误差。IEC 被证明可将误差传播从指数增长降至线性增长，无需重新训练或修改网络结构。IEC 可无缝集成到现有扩散模型的推理过程中，实现性能与效率之间的灵活权衡。广泛实验表明，IEC 在各种数据集、效率技术和模型架构上 consistently 提升生成质量，确立其作为测试时提升高效扩散模型的实用且通用解决方案。代码已公开于 https://github.com/zysxmu/IEC。
引用
@article{arxiv.2511.06250,
title = {Test-Time Iterative Error Correction for Efficient Diffusion Models},
author = {Yunshan Zhong and Weiqi Yan and Yuxin Zhang},
journal= {arXiv preprint arXiv:2511.06250},
year = {2026}
}
备注
Accepted by ICLR 2026