使用球体潜在编码器进行高效图像合成

少步骤图像生成取得了快速进展，一致性和基于平均流的方法显着减少了采样步骤的数量。尽管推理成本较低，但这些方法常常面临训练不稳定和可扩展性有限的问题。 Sphere Encoder 是最新的替代方案，只需几个步骤即可生成高质量图像；然而，它需要在推理过程中在像素空间和潜在空间之间重复转换，同时在单个架构内联合优化重建和生成。这种设计导致计算效率低下以及重建和生成之间的客观冲突。为了解决这些限制，我们将框架解耦为固定的预训练图像编码器和完全在球形潜在空间中训练的单独的潜在去噪模型。我们的方法消除了训练和推理过程中重复的像素空间操作，提高了效率并允许重建和生成独立专业化。在 Animal-Faces、Oxford-Flowers 和 ImageNet-1K 数据集上，我们的方法在生成质量和推理速度方面都显着优于 Sphere Encoder，同时在强大的少步和多步基线上取得了有竞争力的结果。