Diffusion Rejection Sampling

最近强大的预训练扩散模型的进展鼓励开发方法来提高在训练良好的扩散模型下的采样性能。本文介绍了扩散拒绝采样（DiffRS），它使用一个拒绝采样方案，使每个时间步的采样转换核与真实核对齐。所提出的方法可以被视为一个机制，它在每个中间时间步评估样本的质量，并根据样本的不同努力进行细化。理论分析表明，与预训练模型相比，DiffRS可以实现更紧的采样误差界限。实证结果表明，DiffRS在基准数据集上具有最先进的性能，并且对于快速扩散采样器和大规模文本到图像扩散模型具有有效性。我们的代码可在https://github.com/aailabkaist/DiffRS上获得。

本论文旨在提出一种称为Diffusion Rejection Sampling（DiffRS）的新方法，以改善在经过良好训练的扩散模型下的采样性能。

DiffRS使用一个拒绝采样方案，使采样转换核在每个时间步与真实核对齐。该方法可以视为一种机制，它在每个中间时间步评估样本的质量，并根据样本的不同努力进行细化。

DiffRS可以实现比预训练模型更紧的采样误差界限。实验结果显示DiffRS在基准数据集上具有最先进的性能，并且对于快速扩散采样器和大规模文本到图像扩散模型具有有效性。作者提供了开源代码。

最近的相关研究包括GANs、VAE和其他扩散模型，如DDIM和DALL-E。