DRiffusion：草稿和细化过程轻松并行化扩散模型

扩散模型在生成高保真内容方面取得了显着的成功，但受到缓慢的迭代采样的影响，导致高延迟，限制了它们在交互式应用程序中的使用。我们引入了 DRiffusion，这是一个并行采样框架，可通过草稿和细化过程并行化扩散推理。 DRiffusion 采用跳跃过渡来为未来的时间步生成多个草稿状态，并并行计算其相应的噪声，然后将其用于标准去噪过程以产生精细的结果。理论上，我们的方法可以实现 $\tfrac{1}{n}$ 或 $\tfrac{2}{n+1}$ 的加速率，具体取决于使用保守模式还是激进模式，其中 $n$ 表示设备数量。根据经验，DRiffusion 在多个扩散模型中实现了 1.4$\times$-3.7$\times$ 加速，同时生成质量的下降最小：在 MS-COCO 数据集上，FID 和 CLIP 基本上与原始模型保持一致，而 PickScore 和 HPSv2.1 仅显示出较小的平均下降，分别为 0.17 和 0.43。这些结果验证了 DRiffusion 提供了显着的加速并保持了感知质量。