.png){kind=icon}
返回
Fuzzy Logic-Driven Adaptive Parameter Optimization for Text Complexity-Aware Diffusion Model Inference
.png){kind=icon}
PRE
AI
DOI：10.1007/s40815-026-02294-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
扩散模型在图像生成领域实现了革命性进展，但其迭代去噪过程带来了巨大的计算成本。现有的大多数加速方法主要聚焦于模型中心的求解器优化，并依赖固定的推理策略，无法适应输入提示复杂度的变化。为解决此局限性，本研究提出了一种基于模糊逻辑驱动的自适应推理框架，可根据文本复杂度动态优化推理步数。与传统的固定步长方法不同，所提出的方法引入了一个多维文本复杂度分析框架，量化提示难度在五个语言学维度上的表现：词汇多样性、句子复杂度、形容词密度、术语密度和语法复杂度。随后，模糊逻辑控制器处理这些指标，以解决复杂度评估中的固有不确定性，并将其映射到最优推理步数。在包括Stable Diffusion XL（SDXL）和Turbo变体在内的多种扩散模型上的全面实验表明，所提出的方法将平均推理时间减少了24.0%至34.1%，同时保持或提高了生成质量（通过对比语言图像预训练CLIP分数衡量）。值得注意的是，该即插即用框架无需模型重新训练，为高效人工智能生成内容（AIGC）应用提供了一种实用、数据驱动的解决方案。
Keyword:
Adaptive inference
Computational efficiency
Diffusion models
Fuzzy logic
Image generation
Inference optimization
Prompt engineering
Text complexity analysis
期刊
IF:
3.6
论文数:
2.2K
被引数:
4.3K