一篇研究论文介绍了一种名为Consistency Trajectory Model（CTM）的模型，能够在扩散过程中进行无限制的时间遍历，并通过使用梯度评分和增强性对抗训练来提高性能，实现了在CIFAR-10和ImageNet上的高质量采样和新的最先进指标。

Oct, 2023

利用潜在一致性模型（LCMs）解决迭代抽样过程在高分辨率图像合成中的计算负担和生成速度慢的问题，LCMs通过直接预测导引反向扩散过程的ODE解决方案在潜空间中，实现了快速、高保真度的采样。

Oct, 2023

多步一致性模型是一种介于一致性模型和扩散模型之间的统一方法，通过增加采样步骤可以更容易地训练出高质量样本，保持了大部分采样速度的优势。

Mar, 2024

Hyper-SD is a novel framework that combines the advantages of ODE Trajectory Preservation and Reformulation, achieving state-of-the-art performance in multi-step inference with diffusion models.

Apr, 2024

提出了一种基于单次折叠蒸馏算法的教师-学生蒸馏方法，可以在保持高质量合成图像的情况下加速推断并压缩扩散模型，实现语义一致性和有意义的图像插值。

May, 2024

将大型潜在扩散模型（LDMs）提炼为快速采样模型是一个备受关注的研究领域，本文通过扩展最新的多步一致性提炼（MCD）策略，建立了用于低成本高质量图像合成的多步潜在一致性模型（MLCM）。MLCM通过与强调联合段一致性的渐进训练策略相结合，能够提高少步骤生成的质量。实验结果表明，MLCM仅需2-8个采样步骤即可产生高质量、令人愉悦的图像，比4步骤的LCM、8步骤的SDXL-Lightning和8步骤的HyperSD显著优越；此外，MLCM还在可控生成、图像风格转移和中文到图像生成等方面展示了其多功能性。

Jun, 2024

本研究解决了一致性模型在从扩散模型加速采样时，训练过程对生成性能的限制。通过对一致性训练进行截断时间范围的推广，使模型专注于生成，同时提出了新的一致性函数参数化和二阶段训练程序。实验证明，该方法在CIFAR-10和ImageNet数据集上实现了比现有先进模型更优的生成效果。

Oct, 2024

本研究针对一致性模型在训练和调优过程中存在的局限性进行探讨，提出了一种新的框架，通过将去噪过程建模为马尔可夫决策过程，并利用时间差分学习进行价值估计。提出的稳定一致性调优方法显著提升了在CIFAR-10和ImageNet-64等基准测试上的性能，尤其是在ImageNet-64上实现了新的一致性模型状态-of-the-art绩效。

Oct, 2024

本研究旨在解决扩散去噪桥接模型(DDBMs)在采样过程中对计算资源的高需求问题。我们提出了一种新颖的方法，通过学习DDBMs的概率流常微分方程的连续性函数，从而实现高效采样。实验结果表明，该方法可实现比基础DDBM快4到50倍的采样速度，并在视觉质量方面表现更佳，具有显著的实用价值。

Oct, 2024

本研究解决了扩散去噪桥接模型在采样过程中所需高计算成本的问题，通过学习概率流常微分方程的一致性函数来提升采样效率。提出的两个新方法使得采样速度提高了4到50倍，同时在视觉质量上也表现更优，推动了扩散模型在图像翻译等应用中的实际部署。

Oct, 2024