Угол поворота скорости помогает ускорить генерацию изображений
Косинус между векторами скорости при работе дифференциальных уравнений может служить бесплатным индикатором ошибки. Это позволяет оптимизировать шаги при создании картинок нейросетями.
При генерации изображений через flow-модели каждый шаг требует прохода через нейросеть. В многошаговых методах, таких как Адамса-Башфорта, система уже хранит предыдущую скорость. Косинус между старой и новой скоростью позволяет понять, насколько сильно изменилось направление траектории.
Если угол почти нулевой, путь прямой и шаг можно увеличить, если направление резко меняется, шаг нужно дробить. Так автор исследования на «Хабре» предложил использовать этот показатель для управления точностью.
Проблема адаптивного шага заключается в том, что косинус измеряет только поворот, но не изменение длины вектора. В середине траектории это не критично, но на краях ошибка может расти. Исследование показало, что оценка ошибки через угол позволяет достичь высокой точности. При использовании статической сетки с шагами «по равному углу» ошибка оказалась на 30-43% ниже, чем при стандартном расписании в ComfyUI при том же количестве вызовов сети.
Для создания изображений на модели Anima использование такой сетки дало впечатляющий результат. Всего 8 шагов с оптимизированным интервалом обеспечили точность выше, чем стандартное расписание при 24 шагах. При этом подстройка сетки под конкретную картинку не дала измеримого прироста качества по сравнению с универсальной статической сеткой.
Это значит, что оптимизация шагов через геометрию траектории может значительно сократить время работы нейросетей. Пока использование таких методов требует настройки сетки заранее, а не под конкретный запрос.
Текст подготовила языковая модель по материалам источников.

