في الآونة الأخيرة، شهدنا تقدمًا ملحوظًا في نماذج الانتشار probabilistic models (DPMs) والتي أثبتت نجاحًا كبيرًا في توليد الصور. ومع ذلك، فإن آلية أخذ العينات التكرارية لهذه النماذج تؤدي إلى سرعات استنتاج بطيئة. ومن المعلوم أن تقليل عدد خطوات أخذ العينات يعد استراتيجية بديهية لتسريع العملية، لكنه يؤدي إلى تقديم خطأ كبير في التقدير.

لقد تمكنت المحولات السريعة الحالية من إحراز تقدم ملحوظ في التقليل من هذا الخطأ من خلال استخدام حلول عالية الرتبة، ولكن يبدو أن هناك قيوداً على المزيد من التحسينات. وهذا يدفعنا لطرح سؤال هام: هل يمكن تحسين كفاءة أخذ العينات بما يتجاوز الأنماط الحالية؟

في هذا العمل، قمنا بإعادة فحص تكوين أخطاء أخذ العينات وحددنا عنصرين متميزين من الأخطاء؛ الخطأ المعروف جيدًا في التقدير، وخطأ التقدير غير المستكشف. من خلال تنفيذ استراتيجية فك ارتباط الأخطاء الثنائية، نستطيع توضيح التفاعل الديناميكي بين هذه الأنواع عبر خطوات أخذ العينات.

بناءً على هذا التحليل التجريبي، نقدم SynBoost، وهو إطار موحد ومجاني من التدريب يعالج المصدرين من الأخطاء لتقليل إجمالي خطأ أخذ العينات. فعليًا، يعمل على تقليل خطأ التقدير من خلال مزج تقدير الضوضاء الحالي مع تقدير أكثر دقة من خطوة زمنية أكبر.

يمتاز SynBoost بتكامله السلس مع محولات أخذ العينات الحالية، مما يعزز بسرعة وجودة الناتج، لا سيما في الحالات التي تتطلب خطوات قليلة جدًا. ونت validate framework الخاص بنا من خلال إجراء تجارب موسعة عبر مهام التوليد غير المشروط والشرطي، بما في ذلك دPMs في فضاء البكسل وفضاء اللاتنت.