扩散模型也能推理时Scaling，谢赛宁团队重磅研究可能带来文生图新范式

纽约大学谢赛宁团队近期研究发现，扩散模型在推理阶段通过增加计算量（scaling）能显著提升生成样本质量。该团队提出了一种通用搜索框架，主要探索验证器和搜索算法两个设计轴，并验证了不同验证器和算法组合在多种任务中的表现。研究表明，通过适当调整推理计算预算，小型模型的表现甚至能超过大型模型。此外，搜索方法还能兼容微调模型，进一步提升其性能。这项研究为扩散模型的优化提供了新的方向，显示出scaling推理的巨大潜力。值得注意的是，论文署名显示谢赛宁可能已加入谷歌，但具体情况尚未明确。
来源：https://mp.weixin.qq.com/s/wtSzBr6Gs1nF9zz4c5r7Ag