摘要
扩散模型在图像生成方面取得了显著的质量，但其代价也不小。迭代去噪需要许多时间步才能生成高保真图像。我们认为，去噪过程受到初始重建目标数据时误差累积的严重限制，这导致了输出质量较低和收敛速度较慢。为了解决这一问题，我们提出了补偿采样方法，以引导生成过程向目标域靠拢。我们引入了一个补偿项，该补偿项通过U-Net实现，在训练过程中增加了可忽略的计算开销，并且在推理过程中也可以选择性地使用。我们的方法具有灵活性，并且我们在无条件生成、人脸修复和人脸去遮挡任务中使用CIFAR-10、CelebA、CelebA-HQ、FFHQ-256和FSG基准数据集进行了验证。结果表明，我们的方法在图像质量方面始终达到最先进水平，同时在训练过程中加速了去噪过程的收敛速度，最高可达一个数量级。