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.

Efficient Personalization of Quantized Diffusion Model without Backpropagation

Created by
  • Haebom
Category
Empty

저자

Hoigi Seo, Wongi Jeong, Kyungryeol Lee, Se Young Chun

개요

본 논문은 텍스트 역전을 통한 개인화를 포함하는 확산 모델을 정량화하여 메모리 효율적인 미세 조정을 달성하는 방법을 제시합니다. 기존의 기울기 기반 알고리즘에서 발생하는 높은 메모리 사용량 문제를 해결하기 위해, 역전파를 위한 기울기 및 활성화 저장 없이 제로차 최적화를 활용합니다. 개인화에 사용되는 이미지 수가 적어 제로차 최적화를 통해 추정된 기울기의 노이즈가 큰 문제를 해결하기 위해, 과거 토큰의 히스토리를 이용하여 구성된 부분 공간에 기울기를 투영하는 Subspace Gradient 기법을 제안합니다. 또한, 텍스트 임베딩의 영향을 조사하여 효율적인 확산 시간 단계를 위한 Partial Uniform Timestep Sampling 기법을 제안합니다. Stable Diffusion 개인화 실험을 통해 제안된 방법이 기존 방법과 비슷한 성능을 유지하면서 최대 8.2배의 메모리 사용량 감소 효과를 보임을 확인했습니다.

시사점, 한계점

•
시사점:
◦
제로차 최적화와 Subspace Gradient 기법을 활용하여 메모리 효율적인 확산 모델 미세 조정 방법을 제시.
◦
개인화를 위한 훈련 메모리 요구량을 최대 8.2배 감소.
◦
모바일 기기와 같은 에지 디바이스에서의 개인화된 확산 모델 적용 가능성 확대.
◦
Partial Uniform Timestep Sampling 기법을 통해 이미지 생성 성능 향상.
•
한계점:
◦
제로차 최적화 기반의 기울기 추정은 노이즈가 클 수 있음. (Subspace Gradient로 완화하였으나, 완벽한 해결책은 아님)
◦
제안된 방법의 성능은 Stable Diffusion에 대한 실험 결과에 국한됨. 다른 확산 모델에 대한 일반화 가능성 검증 필요.
◦
Partial Uniform Timestep Sampling 기법의 효과에 대한 더 자세한 분석 필요.
👍
Made with Slashpage