缓解传统扩散模型的计算冗余问题
本周，AI 顶会 ICLR 2025 在新加坡举行，阿里巴巴达摩院共有 13 篇论文被大会收录，其中一篇聚焦于视觉生成模型底层框架 DiT 的改进优化。达摩院提出了创新架构 DyDiT，通过引入动态化调整机制，可精准削减视觉生成任务中 50% 的推理算力，有效缓解传统扩散模型的计算冗余问题，相关工作已开源。
DiT 架构作为当前主流的生成模型框架，有效实现了图像与视频的可控生成，推动生成式 AI 走向应用爆发。然而，DiT 架构的多步生成策略存在推理效率低、算力冗余等问题，在执行视觉生成任务容易造成极高的算力消耗，限制其往更广泛的场景落地。业内提出高效采样、特征缓存、模型压缩剪枝等方法尝试解决这一问题，但这些方法均针对静态不变模型，又衍生出潜在的冗余浪费问题。
达摩院（湖畔实验室）、新加坡国立大学、清华大学等联合研究团队在论文《Dynamic Diffusion Transformer》提出了动态架构 DyDiT，能够根据时间步长和空间区域自适应调整计算分配，有效缓解视觉生成任务中的算力消耗问题。具体而言，DyDiT 能在简单的时间步长使用较窄的模型宽度，减少计算资源；在空间维度上优先处理含有详细信息的主要对象，减少对背景区域的计算资源分配，提升推理效率与减少计算冗余的同时，保持生成质量。使用者更可根据自身的资源限制或者部署要求，灵活调整目标的计算量，DyDiT 将自动适配模型参数，实现效果与效率的最佳平衡。
实验结果表明，DyDiT 在多个数据集和生成模型下均表现出高稳定性。仅用不到 3% 的微调成本，将 DiT-XL 的浮点运算次数（FLOPs）减少了 51%，生成速度提高了 1.73 倍，在 ImageNet 测得的 FID 得分与原模型几乎相当（2.27 vs 2.07）。据透露，DyDiT 相关训练与推理代码已开源，并计划适配到更多的文生图、文生视频模型上，目前基于知名文生图模型 FLUX 调试的 Dy-FLUX 也在开源项目上架。
ICLR 是由图灵奖得主杨立昆、约书亚·本吉奥发起的 AI 顶级会议。据悉，达摩院今年共有 13 篇论文被 ICLR 2025 录用，涵盖了视频生成、自然语言处理、医疗 AI、基因智能等领域，其中 3 篇被选为 Spotlight。
论文链接：https://arxiv.org/abs/2410.03456
技术解读：https://mp.weixin.qq.com/s/yqYg272vIztflZ6NfX5zJw
开源链接：https://github.com/alibaba-damo-academy/DyDiT
