💡
原文中文，约7900字，阅读约需19分钟。
📝
内容提要
研究表明，推理时扩散模型的计算量增加能显著提升生成样本质量。纽约大学团队探索通过优化噪声搜索来改进扩散模型，提出基础框架，强调验证器和算法设计。不同任务需特定搜索设置以实现最佳效果。
🎯
关键要点
- 推理时扩散模型的计算量增加能显著提升生成样本质量。
- 纽约大学团队通过优化噪声搜索改进扩散模型，提出基础框架。
- 不同任务需特定搜索设置以实现最佳效果。
- 扩散模型在生成过程中需要多次前向传递去噪，去噪步骤数量可调整。
- 研究表明，推理时 scaling 对扩散模型有效，增加计算可提高样本质量。
- 新论文提出通过搜索有效利用计算资源，而非仅增加去噪步骤。
- 验证器和算法设计是搜索框架中的两个关键设计轴。
- 验证器的选择和算法组合对生成任务的效果有显著影响。
- 自监督验证器在条件信息不可用的情况下仍能有效指导搜索。
- 零阶搜索和路径搜索算法在性能上优于随机搜索。
- 在文生图任务中，验证器与特定任务的对齐性能影响生成质量。
- 搜索与微调的目标一致，搜索方法可改善已对齐模型的性能。
- 小型模型在推理时计算 scaling 的有效性高于大型模型。
- 通过搜索可以在有限计算预算下获得更高质量的样本。
➡️
