MIT-onderzoekers hebben een nieuw kader ontwikkeld, genaamd distribution matching distillation (DMD), dat het proces van het genereren van afbeeldingen met behulp van diffusiemodellen vereenvoudigt. Het traditionele meerstapsproces wordt samengevoegd tot één stap, waardoor snellere generatie mogelijk is zonder dat de kwaliteit van de afbeelding eronder lijdt. Het DMD-kader combineert regressie- en distributieovereenkomstverliezen en maakt gebruik van twee diffusiemodellen om het trainingsproces te begeleiden en de stabiliteit te verbeteren.

Deze nieuwe aanpak behaalt vergelijkbare resultaten als complexere modellen en heeft mogelijk toepassingen op het gebied van content creatie, medicijnontdekking en 3D-modellering. Verdere vooruitgang in leermodellen kan de kwaliteit van de gegenereerde beelden verder verbeteren. Het onderzoek zal worden gepresenteerd op de Conferentie over Computer Vision en Pattern Recognition in juni.