UniPC：用于扩散模型快速采样的统一预测-校正框架

扩散概率模型（DPMs）已展现出在高分辨率图像合成方面极具前景的能力。然而，由于去噪网络的多次评估，从预训练DPM中采样十分耗时，使得加速DPM采样变得愈发重要。尽管近期在快速采样器设计上取得进展，现有方法在许多偏好更少步数（如 $<$10）的应用中仍无法生成令人满意的图像。本文中，我们开发了一种统一校正器（UniC），可应用于任何现有DPM采样器之后以提升精度阶数而无需额外模型评估，并推导出支持任意阶数的统一预测器（UniP）作为副产物。结合UniP与UniC，我们提出称为UniPC的统一预测-校正框架用于DPM快速采样，其具有任意阶数的统一解析形式，并能显著提升先前方法的采样质量，尤其在极少步数下。我们通过包括使用像素空间和潜空间DPM的无条件与条件采样的广泛实验评估我们的方法。我们的UniPC仅用10次函数评估即可在CIFAR10（无条件）上达到3.87 FID，在ImageNet 256$\times$256（有条件）上达到7.51 FID。代码见 https://github.com/wl-zhao/UniPC。