EigDiff用特征样本缩减扩散模型训练集

2026年10月16日，arXiv Computer Vision 刊出论文，提出 EigDiff 方法，用于在显著更小的数据集上训练扩散模型并保持模型性能。据该报道，EigDiff 利用预训练 CLIP 的隐空间做 PCA 得到特征向量，并以其为参考点，挑选由 exemplars 和多样图像组成的代表性训练子集，从而在更小数据集上训练扩散模型。在多个数据集和不同扩散模型上的实验中，该方法可将训练数据减少至多 14 倍、把子集选择加速至多 1607 倍，性能差异微小。上述缩减倍数与加速倍数均为该报道所述实验条件下的结果，并非对所有数据集、模型或操作的普遍结论。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。