在當今人工智能時代，計算機可以通過擴散模型生成自己的 “藝術”，逐步向嘈雜的初始狀態添加結構，直到清晰的圖像或視頻出現。

　　擴散模型突然變得異常受歡迎:輸入幾個詞，即可體驗現實與幻想交匯的夢幻景象。在幕后，這涉及一個復雜、耗時的過程，需要算法多次迭代才能完美圖像。

　　麻省理工學院計算機科學與人工智能實驗室(CSAIL)的研究人員引入了一個新框架，將傳統擴散模型的多步過程簡化為單步，解決了先前的限制。這是通過一種教師 - 學生模型實現的:教導一個新的計算機模型模仿生成圖像的更復雜原始模型的行為。

　　這種方法稱為分配匹配蒸餾(DMD)，保留了生成圖像的質量，同時實現了更快的生成速度。

　　DMD 巧妙地包含兩個組成部分。首先，它使用回歸損失，錨定映射以確保對圖像空間的粗略組織，使訓練更穩定。接下來，它使用分配匹配損失，確保使用學生模型生成給定圖像的概率與其在真實世界中出現的頻率相對應。通過利用兩個擴散模型作為指導，幫助系統理解真實圖像與生成圖像之間的差異，并使訓練快速的單步生成器成為可能。

　　該系統通過訓練一個新網絡來最小化其生成的圖像與傳統擴散模型使用的訓練數據集中的圖像之間的分布差異來實現更快的生成。該團隊使用預訓練網絡來簡化新學生模型的過程。通過復制和微調原始模型的參數，團隊實現了新模型的快速訓練收斂，該模型能夠使用相同的架構基礎生成高質量圖像。

　　在與通常方法的對比測試中，DMD 表現一致。在基于 ImageNet 特定類別生成圖像的流行基準測試中，DMD 是第一個單步擴散技術，幾乎與原始、更復雜模型的圖像媲美，具有非常接近的 Fréchet inception distance(FID)分數，這是令人印象深刻的，因為 FID 是評判生成圖像質量和多樣性的指標。

　　此外，DMD 在工業規模的文本到圖像生成中表現出色，并實現了最先進的單步生成性能。在處理更棘手的文本到圖像應用時，仍然存在一些質量差距，這表明未來還有改進的空間。

　　DMD 生成的圖像性能與蒸餾過程中使用的教師模型的能力密切相關。當前版本使用 Stable Diffusion v1.5作為教師模型，學生繼承了一些限制，如渲染文本和小臉部的細節描繪，這表明更先進的教師模型可能進一步提升 DMD 生成的圖像。