详细内容或原文请订阅后点击阅览
简单的回流：快速流模型的改进技术
扩散和流程匹配模型实现了显着的生成性能，但以许多抽样步骤的成本为代价，这会减慢推理并将适用性限制在关键任务中。回流过程可以通过拉直产生轨迹加速采样。但是，反流是一种迭代过程，通常需要对模拟数据进行培训，并导致样品质量降低。为了减轻样品恶化，我们检查了反流的设计空间，并在先前的启发式实践中突出了潜在的陷阱。然后，我们提出了七个训练动态的改进……
来源:Apple机器学习研究扩散和流程匹配模型实现了显着的生成性能，但以许多抽样步骤的成本为代价，这会减慢推理并将适用性限制在关键任务中。回流过程可以通过拉直产生轨迹加速采样。但是，反流是一种迭代过程，通常需要对模拟数据进行培训，并导致样品质量降低。为了减轻样品恶化，我们检查了反流的设计空间，并在先前的启发式实践中突出了潜在的陷阱。然后，我们提出了七个改进培训动态，学习和推理的改进，通过对CIFAR10 32×32，AFHQV2 64×64和FFHQ 64×64的彻底消融研究进行了验证。结合我们所有的技术，我们实现了先进的FID速度，我们实现了Neverage Inder of Nevand / neural in。 1.91在AFHQV2上，FFHQ上的2.84 / 2.67，Imagenet-64上的3.49 / 1.74，仅具有9个神经功能评估。
†韩国高级科学技术学院（KAIST）