采样加速相关 AI 资讯 · AI 热点

7月22日

00:59

00:59

官方账号MIT CSAIL@MIT_CSAIL

精选78°

MIT研究人员提出一种新算法，能在指数级更少的采样步骤内达到与标准扩散模型相同的精度。该算法可大幅提升图像生成等扩散AI系统的效率。相关论文在ICML 2023荣获杰出论文奖（Outstanding Paper）。

论文 MIT 扩散模型采样加速

推荐理由：MIT搞了个新算法，采样扩散模型快了很多，还拿了ICML最佳论文奖，做图像生成的朋友可以看看。

5月27日

10:49

10:49

官方账号arXiv cs.LG@Yuchen Liang, Ness Shroff, Yingbin Liang

精选

离散扩散模型在文本和符号领域表现优异，但均匀率模型生成样本时通常需要大量步骤。现有加速方法要么需要额外训练，要么混合速度慢。本文提出Gibbs加速离散扩散（GADD），利用具体分数函数结构直接构建Gibbs后验似然，无需额外训练。GADD实现了O(polylog(ε^{-1}))的采样复杂度，是均匀率离散扩散模型的首个此类理论保证。实验表明，GADD在合成数据、零样本文本生成和条件音乐生成中，显著提升了样本质量和计算效率，优于标准基线方法。

论文离散扩散模型 Gibbs校正器采样加速

推荐理由：离散扩散模型加速一直是个难题，GADD用Gibbs校正器实现了理论最优采样复杂度，做生成模型的研究者可以直接参考其方法。