本文介绍了中山大学等团队提出的ScaleLong扩散模型，该模型通过对UNet的long skip connection进行缩放操作来提高训练稳定性。研究团队深入分析了1/√2缩放操作加速训练的原理，并提出了LS和CS两种方法有效缓解模型训练过程中的不稳定性问题。这项研究成果对提升扩散模型的稳定性具有显着意义，为扩散模型的实际应用提供了重要的技术支撑。
中山大学等团队提出了ScaleLong 扩散模型，通过对UNet 的long skip connection 进行scaling 操作来稳定模型训练。他们解析了1/√2 scaling 操作加速训练的原理，并通过LS 和CS 方法有效缓解模型训练中的不稳定性。这些简洁有效的方法对扩散模型的稳定性具有重要意义。
ScaleLong模型及其相关方法的提出，为扩散模型的训练稳定性带来了新的突破，为未来更稳定、更高效的扩散模型的研发提供了宝贵的经验和方向。 期待未来看到更多基于此的研究成果。