PFDiff: Training-free Acceleration of Diffusion Models through the Gradient Guidance of Past and Future

简介： 本文提出了一种名为PFDiff的无需训练的加速采样方法，旨在提升扩散模型（DPMs）的采样效率。PFDiff通过结合过去和未来的分数（scores），提出一种新颖的时间步跳过策略，显著减少了采样过程中所需的函数评估次数（NFE），同时纠正了一阶常微分方程（ODE）求解器的离散化误差。具体而言，PFDiff首先利用过去时间步的分数预测一个“跳板”状态，然后通过前瞻性更新机制利用未来分数快速更新当前中间状态，从而实现高效的采样加速。大量实验表明，PFDiff在多种预训练的扩散模型上表现出色，尤其在条件扩散模型中，以DDIM为基线时，PFDiff在4个NFE下在ImageNet 64×64数据集上将FID从138.81降低至16.46，显著提升了样本质量，展现出超越以往最先进无需训练方法的效果。此外，PFDiff无需额外训练，且与现有扩散模型采样算法正交，在提升扩散模型采样效率方面展现出广阔的应用前景。

论文第一作者是厦门大学信息学院2023级硕士生王广义，通讯作者是苏松志副教授。由2023级硕士生蔡煜人、2022级硕士生李漓江、彭伟（斯坦福大学）共同合作完成。