PeRFlow: Piecewise Rectified Flow as Universal Plug-and-Play Accelerator

我们提出了分段修正流（PeRFlow），一种用于加速扩散模型的基于流的方法。PeRFlow将生成流的采样过程分成几个时间窗口，并通过回流操作在每个时间间隔内拉直轨迹，从而接近分段线性流。PeRFlow在几步生成中实现了优越的性能。此外，通过专用参数化，获得的PeRFlow模型显示出有利的转移能力，作为通用的即插即用加速器，与基于预训练扩散模型的各种工作流兼容。训练和推理的实现完全开源。https://github.com/magic-research/piecewise-rectified-flow

PeRFlow论文旨在加速扩散模型的采样过程，通过分段线性流的方法提高生成流的采样效率。

PeRFlow采用分段线性流的方法，通过将采样过程分成多个时间窗口并在每个时间窗口内进行流重构操作，从而加速采样过程。

PeRFlow在几步生成方面表现出优异的性能，且通过专门的参数化方法，PeRFlow模型具有良好的迁移能力，能够兼容各种基于预训练扩散模型的工作流程。论文的代码实现已经完全开源。

最近的相关研究包括PixelCNN++, Glow和RealNVP等。