圖像生成領域，看來又要變天了。
就在剛剛，OpenAI 開源了比擴散模型更快、性能更好的Consistency (一致性)模型：無需對抗訓練，就能生成高品質圖片！
雖說論文本身在 3 月份就已低調發佈，但當時大夥兒普遍認為它只是個 OpenAI 的研究，並不會真正將細節公開。
沒想到這次直接來了個開源。有網友立刻上手實測了一波效果，發現只需要 3.5 秒左右就能生成 64 張左右 256×256 的圖像：
遊戲結束！
這是這位網友生成的圖像效果，看起來還不錯：
還有網友調侃：這次 OpenAI 終於 Open 了！
一起來看看這次 OpenAI 開源了一項怎樣的研究。
開源了一個怎樣的重磅研究？
作為一個圖像生成 AI，一致性模型（Consistency Model）最大的特點在於快又好。
相比擴散模型，它主要有兩大優勢：
其一，無需對抗訓練（adversarial training），就能直接生成高品質的圖像樣本。
其二，相比擴散模型可能需要幾百甚至上千次迭代，一致性模型只需要一兩步就能搞定多種圖像任務 ——
包括上色、去噪、超分等，都可以在幾步之內搞定，而不需要對這些任務進行明確訓練。（當然，如果進行少樣本學習的話，生成效果也會更好）
所以一致性模型究竟是如何實現這種效果的？
從原理來看，一致性模型的誕生與 ODE（常微分方程）式生成擴散模型有關。
圖中可見，ODE 會先一步步將圖片資料轉換成噪聲，隨後再進行一個逆向求解，從噪聲中學習生成圖像。
而就在這個過程中，作者們試圖將 ODE 軌跡上的任何點（如 Xt、Xt 和 Xr）對應到它的原點（如 X0）進行生成建模。
隨後，這個對應的模型被命名為一致性模型，因為它們的輸出都是同一軌跡上的同一點：
基於這種思路，一致性模型不需要再經過漫長的迭代，才能生成一個相對品質比較高的圖像，而是能做到一步生成。
下圖是一致性模型（CD）和擴散模型（PD）在圖像生成指標 FID 上的對比。
其中，PD 是去年史丹佛和Google大腦提出的一種最新擴散模型方法漸進式蒸餾（progressive distillation）的簡稱，CD（consistency distillation）則是一致性蒸餾方法。
可以看出，幾乎在所有資料集上，一致性模型的圖像生成效果都要比擴散模型更好，唯一的例外是 256×256 的房間資料集上：
除此之外，作者們也將擴散模型、一致性模型和 GAN 等模型在其他各種資料集上進行了對比：
不過也有網友提到，這次開放原始碼的 AI 一致性模型，能生成的圖像還是太小：
很難過，這次開放原始碼的版本生成的圖像還是太小了，要是能給出生成更大圖像的開源版本，肯定會非常讓人興奮。
也有網友猜測，可能只是 OpenAI 還沒訓練出來。不過可能訓練出來了我們也不一定能搞到程式碼。
不過對於這項工作的意義，TechCrunch 表示：
你若是有一堆 GPU，那用擴散模型在一兩分鐘內迭代 1500 多次，生成圖片的效果當然是極好的。
但如果你想在手機上或者聊天對話的時候即時生成圖片，那顯然擴散模型不是最好的選擇。
一致性模型是 OpenAI 下一個重要動作。
期待 OpenAI 會開源一波解析度更高的圖像生成 AI！
專案：https://github.com/openai/consistency_models
論文地址：https://arxiv.org/abs/2303.01469
本文轉載自：量子位 （ID：QbitAI）
請注意！留言要自負法律責任，相關案例層出不窮，請慎重發文！