ICCV 2025 | EPD-Solver:西湖大学发布并行加速扩散采样算法

主要观点总结

本文介绍了由南洋理工大学的博后朱贝尔和西湖大学的博士生王若禹发表的一篇关于扩散模型的研究论文。该论文被ICCV 2025录用，主要研究了扩散模型在图像、视频、语音、3D内容等生成任务中的主流技术。针对扩散模型的推理延迟问题，西湖大学AGI实验室提出了一种创新方案——Ensemble Parallel Direction Solver (EPD-Solver)。

关键观点总结

关键观点1: 研究背景

近年来，扩散模型凭借出色的生成质量，成为图像、视频、语音、3D内容等生成任务中的主流技术。其核心机制是「逐步去噪」过程。

关键观点2: 问题与挑战

虽然扩散模型保证生成质量，但带来显著的推理延迟，成为制约其部署效率的瓶颈。尤其在移动设备、实时生成和大规模应用中表现明显。

关键观点3: EPD-Solver方法

EPD-Solver是一种融合三类优势的创新方案，通过数值求解器、模型蒸馏和并行计算来减少迭代步数、提高生成质量和加速推理。该方法以数值求解器为骨架，结合轻量级蒸馏学习获得可学习参数，并在每次迭代中并行计算多个方向的梯度，再融合以减少数值积分误差。

关键观点4: 实验与结果

大量实验表明，EPD-Solver在CIFAR-10、FFHQ、ImageNet等基准测试中取得领先效果。尤其在低延迟高质量生成任务中展现出巨大潜力。

关键观点5: 方法优势

EPD-Solver的核心优势在于并行效率与精度提升，通过引入多个可学习的中间时间步梯度评估并进行凸组合加权，提升ODE积分近似精度。同时，训练轻量且可插件化集成至现有ODE采样器，扩展应用范围。

免责声明