本研究提出了一种基于评分差异流的新方法，该方法通过最优降低 Kullback-Leibler 距离来将源分布向目标分布推进，该方法在处理生成建模三难题（高样本质量，模式覆盖和快速采样）时具有潜在的应用价值。

Apr, 2023

现有的分数蒸馏方法对于分类器无关指导（CFG）的尺度非常敏感，表现为小的 CFG 尺度上的过度平滑或不稳定，而在大的尺度上过饱和。本文提出了对抗性分数蒸馏 (ASD) 方法，它使用可优化的鉴别器并使用完整的优化目标进行更新。实验证明，所提出的 ASD 在 2D 蒸馏和文本到 3D 任务中表现优异，并将 ASD 扩展到图像编辑任务，获得有竞争力的结果。

Dec, 2023

通过 Langevin 算法，我们扩展了 Hand 和 Voroninski 的工作，从有效的反演到有效的后验采样，并在 latens space 架构的生成模型中提出了 SGILO 方法，在低测量范围内，取得了极大的改进。

Jun, 2022

本文提出了一种基于变分分析的生成对抗网络（GAN）的统一方法，讨论了在 $f$-divergence-minimizing GANs 和 IPM GANs 中的最优生成器，展示了基于分数匹配和流匹配的训练方法，以及判别器引导 Langevin 采样方法。

Jun, 2023

本文介绍了 SP-GAN，一种新的无监督的球形引导生成模型，用于直接合成点云形式的三维形状。SP-GAN 可以合成各种高质量的具有细节和可控性的形状，同时不需要任何零件注释。

Aug, 2021

这篇论文提出了一种基于输出一致性和潜在空间的语义关系的潜在方向的蒸馏方法，以解决 StyleGAN 的蒸馏问题，该方法在蒸馏 StyleGAN2 和 StyleGAN3 方面的效果显著优于现有的 GAN 蒸馏方法。

Aug, 2022

本文提出了一种基于模拟器优势信息和生成对抗网络的新型无监督领域自适应算法 SPIGAN，用于在真实场景下对图像语义分割任务进行训练，结果表明我们的方法优于现有的无监督域适应技术。

Oct, 2018

本文介绍了一种使用图像对图像网络训练的方式来将 StyleGAN2 的特定图像处理提炼成图像对图像的处理方式，展示了通过这种方式实现的几种人脸图像处理效果，并显示出生成质量可与 Backpropagation 方法和现有的最先进方法相媲美。

Mar, 2020

我们提出了一种方法将复杂的多步扩散模型提炼为单步有条件生成对抗网络学生模型，从而大大加速推理过程，同时保持图像质量。我们的方法将扩散提炼解释为一种对应的图像到图像转换任务，使用扩散模型 ODE 轨迹的噪声到图像对。为了进行高效的回归损失计算，我们提出了一种在扩散模型的潜空间中直接操作的感知损失 E-LatentLPIPS，利用增强的集合。此外，我们改进了扩散模型，构建了一个多尺度鉴别器，具有文本对齐损失，建立了一种有效的基于条件生成对抗网络的公式。即使考虑到数据集构建成本，E-LatentLPIPS 也比许多现有的提炼方法更高效。我们证明我们的一步生成器在零样本 COCO 基准测试上优于最先进的一步扩散提炼模型 - DMD、SDXL-Turbo 和 SDXL-Lightning。

May, 2024

通过利用大规模的文本到图像扩散模型进行数据提炼，我们提出了一种更高效的方法，通过精细调整通用化特征的基础生成对抗网络模型，而不是重新训练整个基础模型，并采用简单但有效的秩搜索过程来进行低秩适应，从而显著减少了培训成本和与每个概念相关的存储，使得移动设备能够高效地实现实时高质量的图像编辑。

Jan, 2024