「扩散模型」在人工智能内容生成（图片生成）等方面具有重要的应用潜力，而自扩散模型问世以来，减少模型训练的迭代次数一直是研究人员研究的重要问题。
麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究人员推出了一种新的模型框架——distribution matching distillation（DMD） ， 将传统「扩散模型」的多步图像生成过程简化为一个步骤 ， 其图像质量与「StableDiffusion v1.5」图像生成工具相当，且生成速度比「 Stable Diffusion 」、「 DALLE-3 」模型提高了30倍。
新方法将生成对抗性网络（GANs）的原理与扩散模型的原理结合在一起，在一个步骤中实现视觉内容生成，与当前「扩散模型」所需的数百个步骤迭代改进形成了鲜明对比，是一种新的生成式建模方法，在速度和质量方面表现出色。
DMD是第一种一步扩散模型生成技术，可以生成与原始、更复杂模型相当的图片， 且在工业规模的文本到图像生成方面表现出色。在增强设计工具，实现更快的内容创建，支持药物发现和3D建模等方面具有重要应用潜力。相关工作将在将在6月举行的「计算机视觉和模式识别」会议上进行发表。
AI generates high-quality images 30 times faster in a single step | MIT News | Massachusetts Institute of Technology
