Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
Masked Diffusion 모델의 계산 중복 문제를 해결하기 위해 하드웨어-소프트웨어 공동 설계 가속기인 MASQ를 제안합니다. 단계별 다중 정밀도 양자화와 타임스텝 인지 스케줄링을 통해 이미지 품질을 유지하며 연산 속도와 에너지 효율을 대폭 향상했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AR의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기Masked diffusion (마스크 확산 모델)은 영역 특화 이미지 합성 (region-specific image synthesis)을 가능하게 하지만, 마스크 처리된 영역만 생성이 필요함에도 불구하고 매 타임스텝 (timestep)마다 전체 이미지를 처리해야 하기 때문에 계산 중복 (computational redundancy) 문제를 겪습니다. 이를 해결하기 위해, 우리는 masked diffusion을 위한 하드웨어-소프트웨어 공동 설계 가속기인 MASQ를 소개합니다. 우리의 접근 방식은 공간적 및 의미적 중요도 (spatial and semantic importance)를 동적으로 반영하는 단계별 MXINT8/4/2 정밀도 할당 (stage-wise precision assignment)을 수행하며, 타임스텝 인지 스케줄링 (timestep-aware scheduling) 및 최적화된 비행렬 연산 (non-matrix operations)에 의해 보완됩니다. MASQ는 블록 단위 다중 정밀도 연산 엔진 (block-wise multi-precision compute engine)과 마스크 관리 유닛 (mask management unit)을 특징으로 하여 우리의 접근 방식을 효율적으로 처리합니다. MASQ는 품질을 유지하면서 A100 대비 각각 최대 16.06배 및 5.39배의 속도 향상과 4.18배 및 4.93배의 에너지 효율 향상을 달성했습니다.