Stable Diffusion采樣速度翻倍！僅需10到25步的擴(kuò)散模型采樣算法

清華大學(xué)計(jì)算機(jī)系朱軍教授帶領(lǐng)的 TSAIL 團(tuán)隊(duì)提出 DPM - Solver（NeurIPS 2022 Oral，約前 1.7%）和 DPM - Solver + +，將擴(kuò)散模型的快速采樣算法提升到了極致：無需額外訓(xùn)練，僅需 10 到 25 步就可以獲得極高質(zhì)量的采樣。

要說 AI 領(lǐng)域今年影響力最大的進(jìn)展，爆火的 AI 作圖絕對(duì)是其中之一。設(shè)計(jì)者只需要輸入對(duì)圖片的文字描述，就可以由 AI 生成一張質(zhì)量極高的高分辨率圖片。目前，使用范圍最廣的當(dāng)屬 StabilityAI 的開源模型 Stable Diffusion，模型一經(jīng)開源就在社區(qū)引起了廣泛的討論。

然而，擴(kuò)散模型在使用上最大的問題就是其極慢的采樣速度。模型采樣需要從純?cè)肼晥D片出發(fā)，一步一步不斷地去噪，最終得到清晰的圖片。在這個(gè)過程中，模型必須串行地計(jì)算至少 50 到 100 步才可以獲得較高質(zhì)量的圖片，這導(dǎo)致生成一張圖片需要的時(shí)間是其它深度生成模型的 50 到 100 倍，極大地限制了模型的部署和落地。

為了加速擴(kuò)散模型的采樣，許多研究者從硬件優(yōu)化的角度出發(fā)，例如 Google 使用 JAX 語言將模型編譯運(yùn)行在 TPU 上，OneFlow 團(tuán)隊(duì)使用自研編譯器將 Stable Diffusion 做到了“一秒出圖”。這些方法都基于 50 步的采樣算法 PNDM，該算法在步數(shù)減少時(shí)采樣效果會(huì)急劇下降。

就在幾天前，這一紀(jì)錄又被刷新了！Stable Diffusion 的官方 Demo更新顯示，采樣 8 張圖片的時(shí)間從原來的 8 秒鐘直接被縮短至了 4 秒鐘！快了整整一倍！

而基于自研深度學(xué)習(xí)編譯器技術(shù)的 OneFlow 團(tuán)隊(duì)更是在不降低采樣效果的前提下，成功將之前的 “一秒出圖” 縮短到了 “半秒出圖”！在 GPU 上僅僅使用不到 0.5 秒就可以獲得一張高清的圖片！相關(guān)工作已經(jīng)發(fā)布在中。

事實(shí)上，這些工作的核心驅(qū)動(dòng)力都來自于清華大學(xué)朱軍教授帶領(lǐng)的 TSAIL 團(tuán)隊(duì)所提出的DPM-Solver，一種針對(duì)于擴(kuò)散模型特殊設(shè)計(jì)的高效求解器：該算法無需任何額外訓(xùn)練，同時(shí)適用于離散時(shí)間與連續(xù)時(shí)間的擴(kuò)散模型，可以在 20 到 25 步內(nèi)幾乎收斂，并且只用 10 到 15 步也能獲得非常高質(zhì)量的采樣。在 Stable Diffusion 上，25 步的 DPM-Solver 就可以獲得優(yōu)于 50 步 PNDM 的采樣質(zhì)量，因此采樣速度直接翻倍！

擴(kuò)散模型通過定義一個(gè)不斷加噪聲的前向過程來將圖片逐步變?yōu)楦咚乖肼?，再通過定義了一個(gè)逆向過程將高斯噪聲逐步去噪變?yōu)榍逦鷪D片以得到采樣：

在采樣過程中，根據(jù)是否添加額外的噪聲，可以將擴(kuò)散模型分為兩類：一類是擴(kuò)散隨機(jī)微分方程模型（Diffusion SDE），另一類是擴(kuò)散常微分方程（Diffusion ODE）。兩種模型的訓(xùn)練目標(biāo)函數(shù)都一樣，通過最小化與噪聲的均方誤差來訓(xùn)練一個(gè)“噪聲預(yù)測(cè)網(wǎng)絡(luò)”：

基于 Diffusion SDE 的采樣過程可以視為離散化如下隨機(jī)微分方程：

并且證明，DDPM 是對(duì)上述 SDE 的一階離散化。

而基于 Diffusion ODE 的采樣過程可以視為離散化如下常微分方程：

并且證明，DDIM是對(duì)上述 ODE 的一階離散化。

然而，這些一階的離散化方法收斂速度極慢，擴(kuò)散模型的采樣通常需要 100 到 1000 次串行計(jì)算才可以得到高質(zhì)量的圖片。通常情況下，為了加速擴(kuò)散模型的采樣，研究者往往通過對(duì) Diffusion ODE 使用高階求解器來進(jìn)行加速，例如經(jīng)典的 Runge-Kutta 方法（RK45），這是因?yàn)?ODE 不會(huì)帶來額外的隨機(jī)性，離散化步長(zhǎng)可以相對(duì)選取得更大一些。在給定 s 時(shí)刻的解后，Runge-Kutta 方法基于離散化如下積分：

這樣的離散化將 Diffusion ODE 整體看做一個(gè)黑盒，損失了 ODE 的已知信息，在小于 50 步的情況下就難以收斂了。

DPM-Solver：專為擴(kuò)散模型設(shè)計(jì)的求解器

DPM-Solver 基于 Diffusion ODE 的半線性（semi-linear）結(jié)構(gòu)，通過精確且解析地計(jì)算 ODE 中的線性項(xiàng)，我們可以得到：

剩余的積分項(xiàng)是一個(gè)關(guān)于時(shí)間的復(fù)雜的積分。然而，DPM-Solver 的提出者發(fā)現(xiàn)，該積分可以通過對(duì) log-SNR（對(duì)數(shù)信噪比）做換元后得到一個(gè)非常簡(jiǎn)單的形式：

剩余的積分是一個(gè)關(guān)于噪聲預(yù)測(cè)模型的指數(shù)積分（exponentially weighted integral）。通過對(duì)噪聲預(yù)測(cè)模型做泰勒展開，我們可以得到該積分的一個(gè)估計(jì)：

該估計(jì)中存在兩項(xiàng)：一項(xiàng)是全導(dǎo)數(shù)部分（向量），另一項(xiàng)是系數(shù)部分（標(biāo)量）。DPM-Solver 的另一個(gè)核心貢獻(xiàn)是，該系數(shù)可以通過分部積分被解析地計(jì)算：

而剩余的全導(dǎo)數(shù)部分則可以通過傳統(tǒng) ODE 求解器的數(shù)值方法來近似估計(jì)（無需任何求導(dǎo)運(yùn)算）：

基于以上 4 點(diǎn)，DPM-Solver 做到了盡可能地準(zhǔn)確計(jì)算所有已知項(xiàng)，只對(duì)神經(jīng)網(wǎng)絡(luò)部分做近似，因此最大程度地減小了離散化誤差：

此外，基于該推導(dǎo)，我們可以得到 DDIM 本質(zhì)上是 DPM-Solver 的一階形式，這也能解釋為什么 DDIM 在步數(shù)較少時(shí)依然可以獲得很好的加速效果：

在實(shí)驗(yàn)中，DPM-Solver 獲得了遠(yuǎn)超其它采樣算法的加速效果，僅僅在 15-20 步就幾乎可以收斂：

并且在論文中定量的結(jié)果顯示，DPM-Solver 引入的額外計(jì)算量完全可以忽略，即對(duì)于步數(shù)的加速效果直接正比于時(shí)間上的加速效果——因此，基于 25 步的 DPM-Solver，Stable-Diffusion 模型的采樣速度直接翻倍！例如，下圖展示了不同采樣算法在 Stable-Diffusion 上隨著步數(shù)變化的效果，可見 DPM-Solver 在 10 到 15 步就可以獲得非常高質(zhì)量的采樣：

使用 DPM-Solver

DPM-Solver 的使用非常簡(jiǎn)單，既可以基于作者提供的官方代碼，也可以使用主流的 Diffusers 庫。例如，基于作者提供的官方代碼（https://github.com/LuChengTHU/dpm-solver），只需要 3 行：

官方代碼對(duì) 4 種擴(kuò)散模型都進(jìn)行了支持：

并且同時(shí)支持 unconditional sampling、classifier guidance 和 classifier-free guidance：

而基于 Diffusers 庫的 DPM-Solver 同樣很簡(jiǎn)單，只需要定義 scheduler 即可：

下圖是 15 步的例子，可以看到圖像質(zhì)量已經(jīng)非常高：

相信基于 DPM-Solver，擴(kuò)散模型的采樣速度將不再是瓶頸。