龟兔引导：利用多速率积分加速扩散模型推理
计算机视觉与模式识别
2025-11-07 v1
摘要
在本文中，我们提出了龟兔引导（THG），一种无需训练的策略，可在保持高保真生成的同时加速扩散采样。我们通过将无分类器引导（CFG）ODE重新表述为多速率ODE系统，证明了噪声估计和附加引导项对数值误差表现出明显不同的敏感性。我们的误差界限分析表明，附加引导分支对近似更具鲁棒性，揭示了传统求解器未能利用的大量冗余。基于这一见解，THG显著减少了附加引导的计算量：噪声估计在原始的、细粒度的时间步网格上用“龟”方程进行积分，而附加引导仅在粗网格上用“兔”方程进行积分。我们还引入了误差界限感知的时间步采样器，自适应地选择步长，以及引导尺度调度器，稳定大的外推跨度。THG将函数评估次数（NFE）减少了多达30%，而生成保真度几乎没有损失（ImageReward 0.032），并且在相同的计算预算下优于基于CFG的最先进的无训练加速器。我们的发现突出了多速率表述在扩散求解器中的潜力，为无需任何模型重训练的实时高质量图像合成铺平了道路。源代码可在https://github.com/yhlee-add/THG获取。
引用
@article{arxiv.2511.04117,
title = {Tortoise and Hare Guidance: Accelerating Diffusion Model Inference with Multirate Integration},
author = {Yunghee Lee and Byeonghyun Pak and Junwha Hong and Hoseong Kim},
journal= {arXiv preprint arXiv:2511.04117},
year = {2025}
}
备注
21 pages, 8 figures. NeurIPS 2025. Project page: https://yhlee-add.github.io/THG