RBF-Solver: 放射基底関数を用いた拡散確率モデルの多段階サンプラー

概要: 拡散確率モデル（DPM）は卓越した生成忠実度のため広く採用されているが、そのサンプリングは計算コストが高い。多項式ベースの多段サンプラーは推論を高速化することでこのコストを緩和するが、理論的な精度保証にもかかわらず、事前に定義されたスキームに従ってサンプリング軌道を生成し、さらなる最適化の柔軟性を提供しない。この制限に対処するため、ガウス型ラジアル基底関数（RBF）を用いてモデル評価を補間する多段拡散サンプラーである RBF-Solver を提案する。ガウス型ラジアル基底関数の学習可能な形状パラメータを活用することにより、RBF-Solver は明示的に最適なサンプリング軌道に従う。一次では、それはオイラー法（DDIM）に縮約される。二次以上では、形状パラメータが無限大に近づくにつれて、RBF-Solver はアダムス法へ収束し、既存のサンプリャーとの互換性を確保する。ガウス型ラジアル基底関数の局所性のおかげで、RBF-Solver は第四次以上の高階でも高い画像忠実度を維持し、従来のサンプラーが劣化する領域でも性能を保つ。無条件生成では、RBF-Solver は高 NFE レジーム（NFE >= 15）において一貫して多項式ベースのサンプラーを上回る。Score-SDE モデルを用いた CIFAR-10 において、15 回の関数評価で FID 2.87 を達成し、40 回の関数評価でさらに 2.48 に改善される。Guided Diffusion モデルを用いた 8.0 のガイダンススケールによる条件付き ImageNet 256 x 256 生成では、低 NFE 範囲（5-10）で有意な利得が得られ、多項式ベースのサンプラーに対して FID が 16.12〜33.73% 減少する。