摘要

基于得分（去噪扩散）的生成模型近年来在生成逼真且多样化的数据方面取得了显著进展。这类方法通过定义一个前向扩散过程，将数据逐步转化为噪声，并通过反向过程生成数据（即从噪声恢复为数据）。然而，当前的得分模型生成数据速度极慢，主要原因在于数值随机微分方程（SDE）求解器需要大量评估得分网络。在本研究中，我们旨在通过设计一种更高效的SDE求解器来加速这一过程。现有方法普遍采用欧拉-马鲁亚马（Euler-Maruyama, EM）求解器，其使用固定的步长。我们发现，简单地用其他SDE求解器替代EM效果不佳——要么生成样本质量低下，要么运行速度反而慢于EM。为克服这一问题，我们逐步精心设计了一种适用于得分生成模型的自适应步长SDE求解器。该求解器仅需两次得分函数评估，极少拒绝样本，且能生成高质量数据。相比EM求解器，我们的方法在保持或超越样本质量的前提下，实现2至10倍的加速。对于高分辨率图像生成任务，我们的方法在样本质量上显著优于所有对比方法。此外，该SDE求解器无需任何步长调参，具有良好的实用性和易用性。