Un nuevo método llamado Flash Diffusion ha revolucionado la tecnología de generación de imágenes en un estudio reciente. Este método acelera el proceso de generación de modelos de difusión preentrenados al entrenar un modelo predictivo para generar resultados de predicción multipaso desruidificados en un solo paso.
Acceso al producto: https://top.aibase.com/tool/flash-diffusion
Los investigadores afirman que el método Flash Diffusion no solo ha logrado un rendimiento de vanguardia en FID y CLIP-Score en la generación de imágenes con pocos pasos, sino que también requiere menos tiempo de GPU y menos parámetros entrenables durante el entrenamiento que los métodos existentes. Además, este método ha demostrado ser eficiente y versátil en múltiples tareas, como texto a imagen, reparación, cambio de rostro y superresolución.
Los investigadores señalan que la innovación de Flash Diffusion radica en el uso de una distribución ajustable para seleccionar los pasos de tiempo, lo que ayuda al modelo predictivo a ubicar mejor un paso de tiempo específico. Además, el método emplea un objetivo adversarial, entrenando un discriminador para distinguir entre muestras generadas y muestras reales, y aplicándolo al espacio latente para reducir los requisitos computacionales. Simultáneamente, el equipo de investigación utilizó una pérdida de destilación de coincidencia de distribución para asegurar que las muestras generadas sean muy similares a la distribución de datos aprendida por el modelo predictivo.
Además, los investigadores demostraron la capacidad de Flash Diffusion para adaptarse a diferentes redes troncales, incluyendo los desruidores basados en UNet (SD1.5, SDXL) y DiT (Pixart-α), así como adaptadores. En varios ejemplos, el método redujo significativamente el número de pasos de muestreo mientras mantenía una alta calidad en la generación de imágenes.
El método Flash Diffusion ha inyectado nueva vitalidad en la tecnología de generación de imágenes, mejorando enormemente la eficiencia y la multifuncionalidad del proceso de generación. Este método innovador promete tener un profundo impacto en diversas áreas y ofrecer nuevas oportunidades y desafíos para la investigación en este campo.