リレーディフュージョン：画像合成における解像度間の拡散プロセスを統合する

拡散モデルは画像合成において大きな成功を収めているが、高解像度画像の生成においても依然として課題を抱えている。離散コサイン変換（DCT）の観点から分析した結果、その主な原因是「高解像度画像においては、同じノイズレベルでも周波数領域における信号対ノイズ比（SNR）が高くなること」であることが明らかになった。本研究では、低解像度の画像またはノイズを、ぼかし拡散（blurring diffusion）とブロックノイズ（block noise）を用いて等価な高解像度表現に変換する「リレー拡散モデル（Relay Diffusion Model, RDM）」を提案する。これにより、新たな解像度やモデルに移行する際も、純粋なノイズから再スタートするか、低解像度の条件付けを行うことなく、拡散プロセスをスムーズに継続できる。RDMはCelebA-HQにおいて最先端のFIDスコア、ImageNet 256×256においても最先端のsFIDスコアを達成し、ADM、LDM、DiTなどの従来手法を大きく上回った。本研究のすべてのコードおよびモデルチェックポイントは、GitHubにて公開されている（https://github.com/THUDM/RelayDiffusion）。