Ускорение сэмплирования в порождающих моделях: от сотен шагов до одного

Диффузионные модели и flow matching получили широкое распространение в ряде задач, от порждения изображений и видео до планирования траекторий роботов. Одним из ключевых ограничений в их применении является высокая вычислительная стоимость: нужно “прогонять”” нейросеть последовательно десятки или даже сотни раз для достижения высокого качества порождения.

На семинаре мы рассмотрим различные методы ускорения сэмплирования в этих моделях, вплоть до одного шага (включая Consistency Models, Shortcut Models и Mean Flows), а также разберём Drifting Models — новый подход к построению порождающих моделей, достигающий SotA результатов в задачах порождения изображений при одном вызове модели.