概述
一致性模型是生成模型，它学会在一个步骤（或几个步骤）中从噪声跳转到干净的图像，而不是扩散所需的数十个步骤。它们很重要，因为它们可以足够快地生成高质量图像，以供实时和交互式使用。
一致性模型属于计算机视觉工作流程，它解释或生成视觉媒体以进行分析、操作和创造力。
深入探讨
一致性模型由 OpenAI 研究人员于 2023 年推出，解决了扩散的最大弱点：缓慢的迭代采样。扩散模型定义了从噪声到数据的路径（ODE 轨迹）并逐步行走。训练一致性模型，以便沿同一轨迹的任何点都映射到相同的干净端点，这种属性称为自一致性。由于最终图像上的每个噪声点都“一致”，因此您可以在一次网络评估中从纯噪声直接跳转到样本，或者采取一些步骤以速度换取质量。它们可以通过蒸馏预训练的扩散模型（一致性蒸馏）或从头开始（一致性训练）来进行训练。潜在一致性模型将其应用于潜在空间，从而实现近乎即时的稳定扩散图像生成。
技术洞察
定义约束是一致性函数 f(x_t, t)：对于沿着相同噪声到数据轨迹的任意两次，f 必须输出相同的干净样本，边界条件是 f 在时间为零时是同一的。训练通过将模型在噪声点的输出推至噪声稍低的相邻点的输出来强制执行此操作，通常使用更新为指数移动平均值的目标网络以保持稳定性。
掌握一致性模型
一致性模型是生成模型，它学会在一个步骤（或几个步骤）中从噪声跳转到干净的图像，而不是扩散所需的数十个步骤。它们很重要，因为它们可以足够快地生成高质量图像，以供实时和交互式使用。一致性模型属于计算机视觉工作流程，它解释或生成视觉媒体以进行分析、操作和创造力。为了建立深入的理解，请将一致性模型视为一种操作模型，而不是单个功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用一致性模型的强大团队会平衡准确性与数据质量、照明差异和标签一致性等操作现实。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
视觉人工智能可以大规模自动化检查、检测和标记任务。同时，如果出处不明，肖像权和同意可能会成为法律风险。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
视觉人工智能可以大规模自动化检查、检测和标记任务。
视觉人工智能可以大规模自动化检查、检测和标记任务。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
创意团队可以通过更少的手动修改更快地构建概念原型。
创意团队可以通过更少的手动修改更快地构建概念原型。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
操作可以使用以前难以处理的图像和视频信号。
操作可以使用以前难以处理的图像和视频信号。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
潜在一致性模型可以为交互式设计工具生成近乎即时的稳定扩散图像
实时 AI 绘图画布，可在用户草图或打字时实时更新渲染图像
将缓慢的预训练扩散模型提炼为快速的几步生成器，无需从头开始重新训练
在多步扩散太慢的移动和网络应用程序中支持响应式、低延迟的图像功能
实施模式
实践中的一致性模型
潜在一致性模型可以为交互式设计工具生成近乎即时的稳定扩散图像。
潜在一致性模型可以为交互式设计工具生成近乎即时的稳定扩散图像。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
实践中的一致性模型
实时 AI 绘图画布，可在用户绘制草图或打字时实时更新渲染图像。
实时 AI 绘图画布可在用户绘制草图或打字时实时更新渲染图像。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
实践中的一致性模型
将缓慢的预训练扩散模型提炼为快速的几步生成器，而无需从头开始重新训练。
将缓慢的预训练扩散模型提炼为快速的几步生成器，而无需从头开始重新训练当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的一致性模型
在多步扩散速度太慢的移动和网络应用程序中支持响应式、低延迟的图像功能。
在多步扩散太慢的移动和 Web 应用程序中支持响应式、低延迟的图像功能 团队在预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
风险与防护栏
如果出处不明，肖像权和同意可能会成为法律风险。
模型性能可能因光照、人口统计和环境的不同而有所不同。
除非监控置信阈值，否则误报可能会被忽视。
实施路线图
定义精确度、召回率和错误成本的接受标准。
定义精确度、召回率和错误成本的接受标准。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用符合实际生产条件的数据进行测试。
使用符合实际生产条件的数据进行测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
为低置信度或高影响力的预测添加人工审核。
为低置信度或高影响力的预测添加人工审核。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪模型漂移并在相机或数据集更改后重新验证。
跟踪模型漂移并在相机或数据集更改后重新验证。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。