新AIGC“扩散模型”一步生成图像，速度提高30倍-深度学习（Deep Learning）-编程文章分享

“扩散模型”在人工智能内容生成（图片生成）等方面具有重要的应用潜力，而自扩散模型问世以来，减少模型训练的迭代次数一直是研究人员研究的重要问题。

麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究人员推出了一种新的模型框架——distribution matching distillation（DMD），将传统“扩散模型”的多步图像生成过程简化为一个步骤，其图像质量与“StableDiffusion v1.5”图像生成工具相当，且生成速度比“Stable Diffusion”、“DALLE-3”模型提高了30倍。

新方法将生成对抗性网络（GANs）的原理与扩散模型的原理结合在一起，在一个步骤中实现视觉内容生成，与当前“扩散模型”所需的数百个步骤迭代改进形成了鲜明对比，是一种新的生成式建模方法，在速度和质量方面表现出色。

DMD是第一种一步扩散模型生成技术，可以生成与原始、更复杂模型相当的图片，且在工业规模的文本到图像生成方面表现出色。在增强设计工具，实现更快的内容创建，支持药物发现和3D建模等方面具有重要应用潜力。相关工作将在将在6月举行的“计算机视觉和模式识别”会议上进行发表。

AI generates high-quality images 30 times faster in a single step | MIT News | Massachusetts Institute of Technology

新AIGC“扩散模型”一步生成图像，速度提高30倍

相关推荐

请登录