PulseAugur
中
实时 05:53:47
English(EN) Stochastic Transition-Map Distillation for Fast Probabilistic Inference

新的STMD方法在无教师模型的情况下加速扩散模型推理

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了随机转移图蒸馏（STMD），一个新颖的框架，旨在加速扩散模型的推理过程，而无需预先训练的教师模型。该方法蒸馏了采样随机微分方程（SDE）的完整转移图，实现了更快、概率性的样本生成。STMD提供了理论基础，具有Wasserstein距离的收敛界限，并在MNIST、CIFAR-10和CelebA数据集的图像生成任务上得到了验证。 AI

影响 加速扩散模型推理，可能使其在需要快速、概率生成应用中得到更广泛的应用。

排序理由 发表了一篇关于加速扩散模型推理新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的STMD方法在无教师模型的情况下加速扩散模型推理

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Panagiotis Tsiotras ·

    用于快速概率推理的随机转移图蒸馏

    Diffusion models achieve strong generation quality, diversity, and distribution coverage, but their performance often comes with expensive inference. In this work, we propose Stochastic Transition-Map Distillation (STMD), a teacher-free framework for accelerating diffusion model …

相关实体

相关话题