质量无损，算力砍半！达摩院开源视觉生成新架构，出道即SOTA｜ICLR 2025

DyDiT团队 投稿
量子位 | 公众号 QbitAI

算力砍半，视觉生成任务依然SOTA！

达摩院在ICLR 2025上抛出的DyDiT架构：通过时间步长与空间区域的智能资源分配，将DiT模型的推理算力削减51%，生成速度提升1.73倍，而FID指标几乎无损！

更惊人的是，这一突破仅需3%的微调成本。

该方法通过引入动态化调整机制，可精准削减视觉生成任务中50%的推理算力，有效缓解传统扩散模型的计算冗余问题，相关工作已开源。

算力砍半效果依然SOTA

DiT架构作为当前主流的生成模型框架，有效实现了图像与视频的可控生成，推动生成式AI走向应用爆发。

然而，DiT架构的多步生成策略存在推理效率低、算力冗余等问题，在执行视觉生成任务容易造成极高的算力消耗，限制其往更广泛的场景落地。

业内提出高效采样、特征缓存、模型压缩剪枝等方法尝试解决这一问题，但这些方法均针对静态不变模型，又衍生出潜在的冗余浪费问题。

达摩院（湖畔实验室）、新加坡国立大学、清华大学等联合研究团队在论文《Dynamic Diffusion Transformer》提出了动态架构DyDiT，能够根据时间步长和空间区域自适应调整计算分配，有效缓解视觉生成任务中的算力消耗问题。

具体而言，DyDiT能在简单的时间步长使用较窄的模型宽度，减少计算资源；在空间维度上优先处理含有详细信息的主要对象，减少对背景区域的计算资源分配，提升推理效率与减少计算冗余的同时，保持生成质量。

使用者更可根据自身的资源限制或者部署要求，灵活调整目标的计算量，DyDiT将自动适配模型参数，实现效果与效率的最佳平衡。

实验结果表明，DyDiT在多个数据集和生成模型下均表现出高稳定性。

仅用不到3%的微调成本，将DiT-XL的浮点运算次数（FLOPs）减少了51%，生成速度提高了1.73倍，在ImageNet测得的FID得分与原模型几乎相当（2.27vs2.07）。

据透露，DyDiT相关训练与推理代码已开源，并计划适配到更多的文生图、文生视频模型上，目前基于知名文生图模型FLUX调试的Dy-FLUX也在开源项目上架。

据悉，达摩院今年共有13篇论文被ICLR 2025录用，涵盖了视频生成、自然语言处理、医疗AI、基因智能等领域，其中3篇被选为Spotlight。

论文链接：
https://arxiv.org/abs/2410.03456
技术解读：
https://mp.weixin.qq.com/s/yqYg272vIztflZ6NfX5zJw
开源链接：
https://github.com/alibaba-damo-academy/DyDiT

（文：量子位）