🔒Открыть пост
и посмотреть медиа
и посмотреть медиа
🚀 Из 100 шагов → в 16: как ускорить генерацию видео и не потерять качество?
Диффузионные модели генерируют видео через десятки шагов расшумления. Чем их больше — тем медленнее и дороже инференс. Задача дистилляции — сократить этот путь, сохранив качество генерации.
👤 Лев Новицкий, руководитель направления по исследованию данных в Сбере, разобрал, как команда Kandinsky сократила число шагов со 100 до 16 и при этом улучшила визуальное качество и движение.
В карточках — база. В лекции — погружаемся в пайплайн глубже 🔽
➕ Какие способы ускорения диффузионных моделей работают без переобучения, а какие требуют дистилляции;
➕ Как устроены consistency-дистилляция и multi-boundary consistency;
➕ Зачем в новом пайплайне понадобились PFL и Sim LDD;
➕ Как стабилизировали adversarial-обучение с Hinge Loss;
➕ Почему дистиллированная модель в итоге превзошла базовую по качеству и движению.
▶️ СМОТРЕТЬ ЛЕКЦИЮ
🔥 — что за Лев этот тигр!
@aitalenthubnews
#Microlearning #ITMO #NapoleonIT
