RBF‑Solver: Multistep‑Sampler für Diffusionsmodelle mit radialen Basisfunktionen

Diffusionsprobabilistische Modelle (DPMs) sind wegen ihrer herausragenden Bildqualität sehr beliebt, doch das Sampling erfordert oft viele Funktionsauswertungen. Polynomialbasierte Multistep‑Sampler senken die Kosten, folgen jedoch einer vorgegebenen Trajektorie und lassen wenig Raum für Optimierung.

Der neue RBF‑Solver nutzt Gaußsche Radialbasisfunktionen (RBFs) mit lernbaren Formparametern, um die Sampling‑Trajektorie exakt zu optimieren. Im ersten Ordnung entspricht er dem Euler‑Verfahren (DDIM); bei höheren Ordnungen konvergiert er gegen die Adams‑Methode, wodurch er mit bestehenden Samplern kompatibel bleibt. Durch die Lokalisierung der Gaußschen RBFs behält RBF‑Solver die Bildtreue auch bei vierter Ordnung oder höher bei, wo frühere Sampler an Qualität verlieren.

In der Praxis übertrifft RBF‑Solver polynomialbasierte Sampler im Hoch‑NFE‑Bereich (NFE ≥ 15). Auf CIFAR‑10 mit dem Score‑SDE‑Modell erzielt er ein FID von 2,87 bei 15 Funktionsauswertungen und verbessert sich auf 2,48 bei 40 Auswertungen. Für die bedingte ImageNet‑256×256‑Generierung mit dem Guided‑Diffusion‑Modell bei einer Guidance‑Skala von 8,0 liefert RBF‑Solver im niedrigen NFE‑Bereich (5–10) einen FID‑Rückgang von 16,12 % bis 33,73 %.