Il prossimoProssima guida
Modelli di coerenza latente
IA visiva
GUIDA AI visiva
Consistency models learn functions that map points along a probability-flow trajectory to a shared endpoint, enabling generation in one or a few evaluations in the studied settings.
Ascolta questa guidaNarrato dall'IA · ~1 min
Consistency Models introduces a function that is consistent along probability-flow ODE trajectories, allowing direct mapping from noise to data. The paper presents distillation and standalone training, and demonstrates one- and few-step generation plus zero-shot inpainting, colorization and super-resolution. Latent Consistency Models apply the idea to latent diffusion models. Reported quality and step counts are specific to the datasets and settings evaluated.
A consistency function maps different noisy points on one trajectory toward the same clean endpoint.
Consistency distillation trains from a pretrained diffusion trajectory.
Standalone consistency training learns the consistency relation without a pretrained teacher.
Latent Consistency Models apply consistency-style distillation in latent space for few-step image synthesis.
Compare consistency-based samplers with diffusion baselines at matched compute and quality. Track the number of network evaluations and errors under each setting. The cited papers do not establish one-step generation as universally equivalent to long diffusion sampling.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Consistency models learn functions that map points along a probability-flow trajectory to a shared endpoint, enabling generation in one or a few evaluations in the studied settings.
La diffusione standard percorre passo dopo passo una traiettoria dal rumore ai dati, rallentando la generazione; i modelli di coerenza mirano a farlo in uno o pochi passaggi.
Autoconsistenza significa che qualsiasi punto rumoroso lungo la traiettoria si associa all'identico campione finale pulito, consentendo un salto diretto al risultato.
Al momento zero i dati sono già puliti, quindi la funzione di coerenza li mappa su se stessa, la condizione di identità che ancora la formazione.
La distillazione coerente addestra il nuovo modello a riprodurre gli endpoint dell'ODE di diffusione, producendo un campionatore veloce in pochi passaggi senza addestramento da zero.
Una rete di target EMA fornisce bersagli stabili nel punto adiacente (meno rumoroso), impedendo il collasso dell'addestramento.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Modelli di coerenza latente
IA visiva