Distribution Backtracking: Eine schnellere Konvergenztrajektorie für One-step Diffusion Distillation

Einführung

Die beschleunigte Sampling-Geschwindigkeit von Diffusionsmodellen bleibt eine erhebliche Herausforderung in der Künstlichen Intelligenz. Diffusionsmodelle haben sich als leistungsstarke Werkzeuge zur Generierung von qualitativ hochwertigen Bildern und Daten erwiesen, erfordern jedoch oft viele Vorwärtsdurchläufe, um zufriedenstellende Ergebnisse zu erzielen. Neue Methoden wie die Score Distillation zielen darauf ab, ein schweres Lehrermodell in einen ein-schrittigen Studentengenerator zu destillieren, was die Effizienz erheblich steigern könnte.

Herausforderungen der aktuellen Methoden

Aktuelle Methoden zur Score Distillation konzentrieren sich hauptsächlich auf die Verwendung des Endpunkts vortrainierter Diffusionsmodelle als Lehrermodelle und vernachlässigen die Bedeutung der Konvergenztrajektorie zwischen dem Studentengenerator und dem Lehrermodell. Dies führt zu einem Score-Mismatch-Problem in der frühen Phase des Distillationsprozesses, was die Effizienz der Modelle beeinträchtigen kann.

Die Einführung von Distribution Backtracking

Um dieses Problem zu lösen, haben Forscher das Konzept der Distribution Backtracking Distillation (DisBack) eingeführt, welches die gesamte Konvergenztrajektorie der Lehrermodelle in den Distillationsprozess integriert. DisBack besteht aus zwei Hauptphasen: Degradation Recording und Distribution Backtracking.

Degradation Recording

Degradation Recording zielt darauf ab, die Konvergenztrajektorie der Lehrermodelle zu erfassen. Dieser Prozess zeichnet den Degradationspfad vom trainierten Lehrermodell bis hin zum untrainierten initialen Studentengenerator auf. Der Degradationspfad repräsentiert implizit die Zwischenverteilungen der Lehrermodelle und bietet somit eine detaillierte Karte der Konvergenztrajektorie.

Distribution Backtracking

In der Distribution Backtracking-Phase wird der Studentengenerator darauf trainiert, die Zwischenverteilungen rückzuverfolgen, um die Konvergenztrajektorie der Lehrermodelle zu approximieren. Dies ermöglicht eine genauere und schnellere Konvergenz im Vergleich zu bestehenden Distillationsmethoden.

Experimentelle Ergebnisse

Um die Wirksamkeit von DisBack zu demonstrieren, wurden umfangreiche Experimente durchgeführt. Die Ergebnisse zeigen, dass DisBack eine schnellere und bessere Konvergenz erreicht als bestehende Distillationsmethoden und eine vergleichbare Generierungsleistung erbringt. Besonders hervorzuheben ist, dass DisBack einfach zu implementieren ist und auf bestehende Distillationsmethoden angewendet werden kann, um deren Leistung zu steigern.

Schlüsse und Ausblick

Die Einführung von Distribution Backtracking Distillation markiert einen bedeutenden Fortschritt in der Beschleunigung der Sampling-Geschwindigkeit von Diffusionsmodellen. Durch die Integration der gesamten Konvergenztrajektorie der Lehrermodelle in den Distillationsprozess bietet DisBack eine robuste Lösung für das Score-Mismatch-Problem und ermöglicht eine schnellere und genauere Modellkonvergenz. Die einfache Implementierung und Generalisierbarkeit von DisBack machen es zu einem vielversprechenden Ansatz für die zukünftige Forschung und Anwendung in der Künstlichen Intelligenz.

Bibliographie

- http://www.arxiv.org/abs/2408.15991 - https://arxiv.org/abs/2311.18828 - https://neurips.cc/virtual/2023/papers.html - https://openaccess.thecvf.com/content/CVPR2024/papers/Yin_One-step_Diffusion_with_Distribution_Matching_Distillation_CVPR_2024_paper.pdf - https://ijcai24.org/main-track-accepted-papers/ - https://www.researchgate.net/publication/380907314_EM_Distillation_for_One-step_Diffusion_Models - https://sander.ai/2024/02/28/paradox.html - https://openreview.net/forum?id=ymjI8feDTD - https://mingukkang.github.io/Diffusion2GAN/static/paper/diffusion2gan_arxiv.pdf