扩散模型由于引入了时间变量t，于是在模型中注入了时序信息，这正是扩散模型不同于以往传统视觉模型的一大特征。
同时该变量也通过将时序特征融入模型去控制去噪过程。研究人员首次定义了时间特征emb，同时发现现有量化算法对于这些特征将产生严重扰动，从而破坏图片生成质量：
1. 时间特征扰动：研究人员发现量化导致了明显的时间特征误差，并将这种特征错误内的扰动现象称为时间特征扰动；
2. 时间信息失配：时间特征扰动改变了原始嵌入的时间信息。具体来说，旨在对应于时间步长。然而，由于存在显著的误差，量化模型的不再准确地与相关联，倾向于与对应的时间特征更为接近，这导致了该方法所说的时间信息不匹配；
3. 去噪轨迹偏离：时间信息不匹配传递了错误的时间信息，因此导致图像在去噪轨迹中对应的时间位置发生了偏差，最终导致图片不再按原轨迹去噪：
（Diffusion中的时间特征扰动）
研究人员发现该扰动主要由以下两个原因造成：
1. 不合适的重建对象：已有量化重建方法并未直接优化时间特征，同时时间特征将会受到有限的校准数据影响产生过拟合现象，如下图Prev所示，其中Freeze代表冻结相关量化参数；
2. 忽略了时间特征相关模块中的有限激活：由于输入是有限整数，因此产生时间特征的模块将仅产生有限且随时间变化的激活，而已有量化策略均考虑分布层级优化，忽略了对于此类有限激活的拟合近似。
（Diffusion中时间特征相关模块有限激活）
基于以上的诱因分析研究人员提出了如下时间特征维护策略，在低bit量化下完美的保证了Diffusion模型的时间特征精度与图像生成质量。
（TFMQDM整体压缩框架）
1. 时间信息块：将时间特征生成相关模块进行整合得到时间信息块（见框架图）：
2. 时间信息感知重建：基于时间信息块，研究人员提出了时间信息感知重建 (TIAR) 来应对第一个诱因。在重构过程中，该块的优化目标如下：
3. 有限集校准：为了解决第二个诱因中有限集内激活范围宽泛的挑战，研究人员提出了有限集校准 (FSC) 用于激活量化。这个策略为所有时间信息块内的每个激活使用T组量化参数，例如激活x的量化参数可为
。在时间步长为t时，x的量化函数可以表示为：
其中sT, zt分别为量化缩放因子和零偏移。
研究团队在DDIM，LDM以及
Stable Diffusion
系列模型上验证了无条件生成、分类条件生成、文本条件以及多种先进采样器生成下TFMQ-DM框架性能。
TFMQ-DM在平均4或8 bit权重，8或32 bit激活时，所有评价指标均超过Q-Diffusion，PTQD等已有最先进方法，且在大部分场景下，该方案使用4bit权重量化超越了已有技术在8-bit权重甚至于全精度权重的模型的性能。
结果表明，TFMQ-DM率先在4bit权重、8bit权重下实现了对于 Diffusion的无损压缩加速，推动了Diffusion无训练量化的边界。
（LDM系列无条件生成对比结果）
（左：LDM系列分类条件生成对比结果；右：DDIM系列无条件生成对比结果）
具体来说，在 CelebA-HQ 256 × 256 数据集上，与当前最先进的方法相比，该团队的方法在 w4a8 设置下将FID与sFID分别降低了 6.71和 6.60（越低越好）。
值得注意的是，现有方法，无论是4 bit还是8bit权重量化，在人脸数据集如 CelebA-HQ 256 × 256 和 FFHQ 256 × 256 上与 FP 模型相比都显示出明显的性能下降，而 TFMQ-DM 与全精度模型相比几乎没有性能损失。
（Stable Diffusion系列文本条件生成对比结果）
（左：PLMS系列先进采样器无条件生成对比结果右：DPM++系列先进采样器无条件生成对比结果）
此外，对于当下最流行的文本条件生成类模型Stable Diffusion，TFMQ-DM在 w8a8 设置下的 FID 和在 w4a32 设置下的 sFID 甚至略低于全精度模型。
然而，虽然现有的指标无法充分评估生成图像的语义一致性以及物体细节，该团队提出的方法产生了更高质量的图像（见后文），具有更真实的细节，更好地展示了语义信息。
由于现有指标并不能完全反映生成图像效果的优劣，该团队研究人员提供了大量可视化效果对比图，体现出更加细腻和准确的生成质量：
（LDM上无条件图像生成效果图）
（LDM上分类条件图像生成效果图）
（Stable Diffusion上文本条件图像生成效果图，左提示词：“A digital illustration of the Babel tower, detailed, trending in artstation, fantasy vivid colors”。右提示词：“A beautiful castle beside a waterfall in the woods”。）
除测试集精度和可视化效果外，团队人员还在Intel® Xeon® Gold 6248R 处理器上验证框架的推理加速效果，相比原始浮点模型实现了 2.38 倍的显著速度提升。
（Stable Diffusion在CPU上真实加速）
基于时间特征维护的校准量化可确保 Diffusion的量化参数准确保留原始时间信息。广泛的实验证明，TFMQ-DM 在 DDIM、LDM及Stable-Diffusion 系列中实现了令人信服的精度提升，尤其是在w4a8等极低比特设置下表现出了明显优势；同时该方案也实现了真实硬件部署加速。
其次TFMQ-DM 具有良好的兼容性，可与各种Diffusion量化框架无缝集成。总的来说，TFMQ-DM 提供的显著量化精度提升与其对于硬件的高度友好，有助于在资源受限的情况下进行实际部署，进一步促进了文生图模型的更广泛普及和应用。
TFMQ-DM 具有显著的兼容性，可与各种Diffusion量化框架无缝集成。TFMQ-DM 提供的显著量化精度，有助于在资源受限的情况下进行实际部署。
