Forscher des MIT haben einen neuen Ansatz namens "Distribution Matching Distillation" (DMD) entwickelt, der den Prozess der Erzeugung von Bildern mithilfe von Diffusionsmodellen vereinfacht. Der traditionelle mehrschrittige Prozess wird auf einen einzigen Schritt komprimiert, was eine schnellere Generierung ohne Beeinträchtigung der Bildqualität ermöglicht. Das DMD-Framework kombiniert Regressions- und Verteilungsanpassungsverluste und nutzt zwei Diffusionsmodelle, um den Schulungsprozess zu steuern und die Stabilität zu verbessern.

Der neue Ansatz erzielt vergleichbare Ergebnisse zu komplexeren Modellen und hat potenzielle Anwendungen in der Inhaltsentwicklung, der Arzneimittelentdeckung und der 3D-Modellierung. Weitere Fortschritte im Bereich der Lehrmodelle könnten die Qualität der generierten Bilder verbessern. Die Studie wird im Juni auf der Konferenz für Computer Vision und Mustererkennung vorgestellt.