摘要

扩散概率模型（Diffusion Probabilistic Models, DPMs）在生成任务中取得了显著成功。由于从DPM中采样等价于求解扩散随机微分方程（SDE）或常微分方程（ODE），而这一过程通常计算耗时，因此研究者提出了大量基于改进微分方程求解器的快速采样方法。现有大多数方法倾向于求解扩散ODE，因其具有更高的计算效率。然而，随机采样在生成多样化且高质量数据方面具有潜在优势。本文从两个方面对随机采样进行了系统性分析：可控方差的扩散SDE与线性多步SDE求解器。基于上述分析，我们提出了\textit{SA-Solver}——一种改进的高效随机Adams方法，用于求解扩散SDE，以生成高质量数据。实验结果表明，\textit{SA-Solver}在以下方面表现优异：1）在少步采样场景下，性能优于或至少可与现有最先进（SOTA）采样方法相媲美；2）在合理函数求值次数（NFE）条件下，在多个基准数据集上达到了当前最优的FID分数。代码已开源，地址为：https://github.com/scxue/SA-Solver。