MIT-forskere har udviklet et nyt rammeværk kaldet fordelingsmatchingsdestillering (DMD), der forenkler processen med at generere billeder ved hjælp af diffusionmodeller. Den traditionelle flertrinsproces kondenseres til et enkelt trin, hvilket gør det muligt at generere hurtigere uden at gå på kompromis med billedkvaliteten. DMD-rammeværket kombinerer regression og fordelingsmatchings-tab for at guide træningsprocessen og forbedre stabiliteten ved at udnytte to diffusionmodeller.

Denne nye tilgang opnår sammenlignelige resultater med mere komplekse modeller og har potentiale inden for indholdsoprettelse, lægemiddelopdagelse og 3D-modellering. Yderligere fremskridt inden for lærermodeller kunne forbedre kvaliteten af de genererede billeder. Studiet vil blive præsenteret på Konferencen om Computer Vision og Mønstergenkendelse i juni.