Effiziente Bildgenerierung durch neue Destillationsmethoden von Diffusionsmodellen

Schnellere und effizientere KI-Bildgenerierung: Ein neuer Ansatz zur Destillation von Diffusionsmodellen

Die rasante Entwicklung generativer KI-Modelle, insbesondere im Bereich der Bildgenerierung, stellt hohe Anforderungen an die Rechenleistung und den Energieverbrauch. Die Beschleunigung dieser Prozesse ist daher ein zentrales Forschungsfeld. Ein vielversprechender Ansatz ist die Destillation von Diffusionsmodellen, die darauf abzielt, das Wissen eines komplexen, rechenintensiven "Lehrer"-Modells auf ein kleineres, effizienteres "Schüler"-Modell zu übertragen.

Bisherige Destillationsmethoden, die auf der Anpassung von Verteilungen oder Trajektorien basieren, stoßen bei komplexen Aufgaben wie der Text-zu-Bild-Generierung an ihre Grenzen. Während Verteilungsanpassung für mehrstufige Stichprobenverfahren an Flexibilität mangelt, liefert die Trajektorienanpassung oft suboptimale Bildqualität. Ein neuer Ansatz, das sogenannte "Trajectory Distribution Matching" (TDM), verspricht, diese Lücke zu schließen.

TDM: Kombination von Verteilungs- und Trajektorienanpassung

TDM kombiniert die Stärken der Verteilungs- und Trajektorienanpassung in einem einheitlichen Destillationsparadigma. Kernstück der Methode ist eine datenfreie Score-Destillation, die die Trajektorie des Schüler-Modells auf der Verteilungsebene an der des Lehrer-Modells ausrichtet. Dies ermöglicht eine effiziente Wissensübertragung ohne zusätzliche Trainingsdaten.

Ein weiterer Vorteil von TDM ist die Berücksichtigung der Anzahl der Stichprobenschritte. Durch die Entkopplung der Lernziele für verschiedene Schritte wird eine flexiblere Stichprobennahme ermöglicht. Dies unterstützt sowohl deterministische Stichprobenverfahren für eine verbesserte Bildqualität als auch die Anpassung an unterschiedliche Stichprobenschritte.

Überzeugende Ergebnisse mit minimalem Trainingsaufwand

TDM erzielt beeindruckende Ergebnisse bei verschiedenen Backbone-Architekturen wie SDXL und PixArt-alpha. Im Vergleich zu bestehenden Methoden liefert TDM eine höhere Qualität bei deutlich reduzierten Trainingskosten. Besonders bemerkenswert ist die Destillation von PixArt-alpha in einen 4-Schritt-Generator, der seinen Lehrer in Bezug auf die tatsächliche Benutzerpräferenz bei einer Auflösung von 1024x1024 übertrifft.

Dieser Erfolg wurde mit nur 500 Iterationen und 2 A800-Stunden erzielt – das entspricht lediglich 0,01% der Trainingskosten des Lehrer-Modells. Darüber hinaus lässt sich TDM auch auf die Beschleunigung von Text-zu-Video-Diffusionsmodellen erweitern. So konnte TDM das Lehrer-Modell CogVideoX-2B mit nur 4 NFE (Neural Function Evaluations) auf VBench übertreffen und den Gesamtscore von 80,91 auf 81,65 verbessern.

Ausblick: Effizientere KI-Modelle für die Zukunft

TDM stellt einen wichtigen Fortschritt im Bereich der Destillation von Diffusionsmodellen dar. Durch die Kombination von Verteilungs- und Trajektorienanpassung und die Berücksichtigung der Stichprobenschritte ermöglicht TDM eine effiziente und flexible Generierung von Bildern und Videos. Die erzielten Ergebnisse deuten auf ein großes Potenzial für die Entwicklung schnellerer und effizienterer KI-Modelle hin, die den Weg für neue Anwendungen in verschiedenen Bereichen ebnen.

Bibliographie:

1. Hu, T. (n.d.). CatalyzeX. Retrieved from https://www.catalyzex.com/author/Tianyang%20Hu
2. Luo, Y. (2025). Learning Few-Step Diffusion Models by Trajectory Distribution Matching. arXiv preprint arXiv:2503.06674.
3. Luo, Y. (2025). Learning Few-Step Diffusion Models by Trajectory Distribution Matching. arXiv preprint arXiv:2503.06674v1.
4. Yin, P. (2024). One-step Diffusion with Distribution Matching Distillation. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 12241-12251).
5. Rombach, R. (2022). High-resolution image synthesis with latent diffusion models. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 10684-10695).
6. Vahdat, A. (2024). Score Distillation: Transferring the Knowledge of Large Diffusion Models to Small Ones. Advances in Neural Information Processing Systems, 37.
7. Harvey, W. (2024). Flexible Diffusion Modeling of Long Videos. In European Conference on Computer Vision (pp. 268-284). Springer, Cham.
8. Hoogeboom, E. (2024). Autoregressive Diffusion Models. In Proceedings of the 38th Conference on Neural Information Processing Systems (NeurIPS 2024).
9. Song, J. (2023). Consistency Models. arXiv preprint arXiv:2303.01469.