مدلهای Diffusion با وجود خروجیهای باکیفیت، به دلیل هزینههای بالای پردازش همیشه چالشبرانگیز بودهاند. حالا محققان در مقالهای جدید، راهکاری خلاقانه برای ترکیب دو تکنیک «هرس کردن» (Pruning) و «تقطیر گامها» (Step Distillation) ارائه کردهاند.
در این روش، با استفاده از یک لایه میانی به نام «تعمیر همتراز با معلم» (Teacher-Aligned Repair)، مدلهای هرس شده دوباره احیا میشوند تا بدون افت کیفیت، در تنها یک مرحله اجرا شوند! نتیجه این کار؟ مدلهایی بسیار کوچکتر و سریعتر که حتی از مدلهای اصلی عملکرد بهتری (FID پایینتر) نشان میدهند. این یعنی قدمی بزرگ برای اجرای مدلهای هوش مصنوعی تصویرساز روی دستگاههای ضعیفتر! 🧠⚙️
منبع: arXiv Computer Vision