跳到正文
arXiv · 机器人与计算机视觉· Andrei Jarca, Vlad Hondru, Florinel-Alin Croitoru, Radu Tudor Ionescu·· 2026-10-16精选AI 评分78

EigDiff:通过特征样本扩散显著降低扩散模型训练数据集规模

EigDiff: Eigensample Diffusion - or how to significantly reduce training dataset size with marginal performance variation?

AI 导读

论文提出 EigDiff 方法,旨在解决扩散模型训练成本高且依赖大规模数据集的问题。该方法利用预训练 CLIP 模型的潜空间进行主成分分析(PCA),计算特征向量作为参考点,进而筛选出包含特征样本和多样化图像的具有代表性的子集用于训练。实验表明,EigDiff 可将训练数据量减少最多 14 倍,同时选择代表性子集的速度提升 1607 倍,且模型性能仅有微小差异。

推荐理由

提出利用预训练 CLIP 潜空间的主成分分析筛选代表性子集,可将扩散模型训练数据量减少至原来的 14 分之一。

来源:arXiv · 机器人与计算机视觉 · arxiv.org