扩散概率模型(DPMs)在高分辨率图像合成领域，尤其是在最近的大规模文生图的应用中取得了显著成果。作为提升样本质量的一项关键技术，引导采样通常需要较大的引导强度才能获得最佳效果。目前广泛使用的引导采样快速方法是去噪扩散隐式模型(DDIM)，它是一种一阶扩散常微分方程(ODE)求解器，通常需要100到250步来生成高质量样本。尽管已有研究提出专门的高阶求解器，并在无引导采样中实现了采样加速，但它们在引导采样中的效果尚未被充分验证。清华大学朱军教授团队提出，已有的高阶快速采样器在引导强度较大时存在稳定性问题，甚至比DDIM更慢。为进一步加快引导采样，团队提出 DPM-Solver++，这是一种高阶求解器，使用数据预测模型求解扩散ODE，并通过阈值截断方法使生成结果更贴近训练数据分布。此外，他们还提出一种多步变体，通过减小有效步长来解决不稳定性问题。实验表明，DPM-Solver++在像素空间和潜空间扩散模型中，仅需15至20步即可生成高质量样本。欢迎阅读 http://t.cn/A6Dlhzkd #人工智能[超话]##机器学习[超话]##图像合成#