I Modelli di Miscela Gaussiana Migliorano la Qualità del Campionamento DDIM

Un nuovo approccio migliora la velocità di campionamento da modelli di diffusione denoising pre-addestrati (DDPM) utilizzando un Modello di Miscela Gaussiana (GMM) come kernel di transizione inversa nel contesto dei Modelli di Diffusione Impliciti Denoising (DDIM). Questa tecnica garantisce che i momenti centrali del primo e secondo ordine delle marginali forward del DDPM corrispondano applicando vincoli ai parametri del GMM. Testato su vari modelli, inclusi quelli incondizionati da CelebAHQ e FFHQ, nonché modelli condizionati per classe da ImageNet e generazione testo-immagine con Stable Diffusion v2.1 su COYO700M, i risultati hanno mostrato che l'abbinamento dei momenti può produrre campioni altrettanto buoni o migliori di quelli del DDIM originale con kernel gaussiani, specialmente quando si utilizzano meno passi di campionamento.