Learning Quantized Adaptive Conditions for Diffusion Models
在这项研究中，我们提出了一种新颖且有效的方法，通过利用自适应条件来降低扩散模型中常微分方程（ODE）轨迹的曲率，从而提高生成高质量图像的能力。传统的扩散模型由于其复杂的ODE轨迹，往往面临在少量函数评估（NFE）下生成图像质量不高的问题。我们的方法引入了一种极轻量化的量化编码器，仅增加了1%的训练参数，无需额外的正则化项，却显著提升了样本质量。通过这种方法，我们能够加速ODE采样，同时保留随机扩散方程（SDE）技术在图像编辑任务中的能力。通过大量实验验证，我们的方法在极其有限的采样成