超级会员免费看
CMU、MIT和斯坦福的研究者在2022 NeurIPS上开源了一种名为Spatially Sparse Inference (SSI)的技术，用于加速条件GAN和扩散模型的推理。该方法通过利用编辑区域的空间稀疏性，减少了计算资源的浪费，提高了在Apple M1 Pro CPU上的推理速度。SIGE（Sparse Incremental Generation Engine）作为其延伸，进一步减少了计算延迟。实验证明，该方法在保持视觉保真度的同时，显著降低了DDIM和GauGAN的计算需求。
点击上方“3D视觉工坊”，选择“星标”
干货第一时间送达
作者丨空港
来源丨计算机视觉工坊
1. 个人理解
生成模型近年来发展迅猛，已经表现出极强的真实感合成能力，在三维重建、AI绘画、音视频创作、可控图像生成、真实图像编辑等领域的应用广泛。例如，即便没有绘画基础，大家也可以很容易利用生成模型绘制大师级画作。但近年来SOTA生成模型的主要问题是需要大量的计算资源，这一方面是由于深度网络的框架较为复杂，另一方面是因为每次针对图像可能只是做了很小的改动，但生成模型仍然需要重新计算整张图像。
在2022 NeurIPS论文“Efficient Spatially Sparse Inference for Conditional GANs and Diffusion Models”中，CMU、MIT、斯坦
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
