NeurIPS 2024收录!基于扩散模型编码器模块的推理加速丨一作、南开大学博士生李森茂讲座预告

NeurIPS 2024收录!基于扩散模型编码器模块的推理加速丨一作、南开大学博士生李森茂讲座预告

AIGC动态欢迎阅读

原标题:NeurIPS 2024收录!基于扩散模型编码器模块的推理加速丨一作、南开大学博士生李森茂讲座预告
关键字:模型,编码器,南开大学,图像,时间
文章来源:智猩猩GenAI
内容字数:0字

内容摘要:


最近,文本到图像的扩散模型取得了显着的进步。值得注意的是,Stable Diffusion和DeepFloyd-IF是当前开源社区中最成功的两个扩散模型。这些模型基于UNet架构,用途广泛,可应用于广泛的任务,包括图像编辑、超分辨率、分割和对象检测。扩散模型的主要缺点之一是图像生成的推理时间较慢。现有方法大多采用了蒸馏技术,但这些方法对计算资源要求较高。
为了解决以上问题,来自南开大学的在读博士生李森茂提出了一种基于扩散模型编码器模块的推理加速的方法Faster Diffusion。相关论文为《Faster Diffusion: Rethinking the Role of the Encoder for Diffusion Model Inference》,已收录于NeurIPS 2024。Faster Diffusion是一种简单而有效的编码器传播方案,以加速针对不同任务集的扩散采样。其核心是在多个时间步中重复使用编码器特征,加速了扩散模型的采样过程。
扩散模型中的一个关键组件是用于噪声预测的UNet。通过分析UNet在扩散模型中的特性,发现编码器特征在相邻时间步之间变化平缓,具有


原文链接:NeurIPS 2024收录!基于扩散模型编码器模块的推理加速丨一作、南开大学博士生李森茂讲座预告

联系作者

文章来源:智猩猩GenAI
作者微信:
作者简介:

阅读原文
© 版权声明

相关文章

暂无评论

暂无评论...