Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

LazyDiT: Lazy Learning for the Acceleration of Diffusion Transformers

Created by
  • Haebom
Category
Empty

저자

Xuan Shen, Zhao Song, Yufa Zhou, Bo Chen, Yanyu Li, Yifan Gong, Kai Zhang, Hao Tan, Jason Kuen, Henghui Ding, Zhihao Shu, Wei Niu, Pu Zhao, Yanzhi Wang, Jiuxiang Gu

개요

본 논문은 확산 트랜스포머의 느린 추론 속도 문제를 해결하기 위해, 이전 단계의 결과를 재사용하여 불필요한 계산을 건너뛰는 지연 학습(Lazy Learning) 프레임워크인 LazyDiT를 제안합니다. 각 디노이징 단계에서 전체 트랜스포머 모델을 실행할 필요 없이, 연속된 단계 간 출력의 유사성이 높다는 점을 이용하여, 이 유사성을 선형적으로 근사하고 계산을 생략합니다. LazyDiT는 모델에 지연 학습 레이어를 통합하여 불필요한 계산을 동적으로 건너뛰도록 학습되며, 다양한 해상도에서 여러 확산 트랜스포머 모델에 걸쳐 DDIM 샘플러보다 우수한 성능을 보입니다. 모바일 기기에서도 DDIM과 유사한 지연 시간으로 더 나은 성능을 달성합니다.

시사점, 한계점

•
시사점:
◦
확산 트랜스포머의 추론 속도를 효과적으로 개선하는 새로운 방법 제시.
◦
지연 학습을 통해 계산량을 줄이고 에너지 효율을 높임.
◦
모바일 환경에서의 확산 트랜스포머 적용 가능성 확대.
◦
DDIM 샘플러 대비 우수한 성능 및 유사한 지연 시간 달성.
•
한계점:
◦
LazyDiT의 성능 향상이 특정 확산 트랜스포머 모델과 해상도에 국한될 가능성.
◦
선형 근사를 사용하는 방법의 정확도 한계.
◦
다양한 애플리케이션 및 데이터셋에 대한 추가적인 실험 필요.
👍
Made with Slashpage