甚至，还受到业内研究者极力追捧，其风头远远盖过曾经逆袭天下的GAN。
就在扩散模型最能打的时候，竟有网友突然高调宣布：
Diffusion models时代终结！Consistency models加冕为王！
这究竟是怎么回事？？？
原来，OpenAI曾在3月发布了一篇重磅、且含金量十足的论文「Consistency Models」，并在今天在GitHub上公开了模型权重。
论文地址：https://arxiv.org/abs/2303.01469
项目地址：https://github.com/openai/consistency_models
「一致性模型」在训练速度上颠覆了扩散模型，能够『一步生成』，比扩散模型更快一个数量级完成简单任务，而且用到的计算量还要少10-2000倍。
那么，这到底有多快呢？
有网友表示，相当于在大约3.5秒内生成64张分辨率为256x256的图像，也就是每秒18张！
而且，最新模型最主要优势之一，就是不需要「对抗训练」就能实现高质量样本。
这篇研究由图灵三巨头之一Hinton学生，AlexNet的主要推动者Ilya Sutskever亲笔撰写，还有研发DALL-E 2的华人学者Mark Chen、Prafulla Dhariwal，研究内容有多硬核可想而知。
甚至还有网友称，「一致性模型」才是未来的研究方向，相信我们未来一定会嘲笑扩散模型。
所以，扩散模型也要不存在了？
更快，更强，无需对抗
目前，这篇论文还是未定稿版本，研究还在继续中。
2021年，OpenAI首席执行官Sam Altman曾撰写了一篇博客，讨论摩尔定律应该如何应用于所有领域。
Altman前段时间又在推特上公开谈到了人工智能正在实现「蛙跳」。他表示，「新版摩尔定律可能很快就会出现，宇宙中的智能数量每18个月翻一番。」
对于其他人来说，Altman的乐观可能看起来毫无根据。
但OpenAI的首席科学家Ilya Sutskever带领团队做出的最新研究，恰恰为Altman的主张提供了强有力的支撑。
都说2022年是AIGC元年，是因为许多模型的泉涌背后都是基于扩散模型。
扩散模型的大红大紫逐渐取代了GAN，并成为当前业界最有效的图像生成模型，就比如DALL.E 2、谷歌Imagen都是扩散模型。
然而，最新提出的「一致性模型」已被证明可以在更短的时间内，输出与扩散模型相同质量的内容。
这是因为，这种「一致性模型」采用了类似GAN的单步生成的过程。
相比之下，扩散模型采用了一种反复采样的过程，逐步消除图像中的噪声。
这种方法虽然让人印象深刻，但需要依赖执行一百到数千步的步骤才能取得良好的结果，不仅操作成本高，而且速度慢。
扩散模型的持续迭代生成过程，比「一致性模型」消耗的计算量要多10-2000倍，甚至减慢了训练过程中的推理速度。
「一致性模型」强大之处在于，必要时能够在样本质量和计算资源两者间进行权衡。
此外，这个模型还能够执行零样本的数据编辑任务，比如图像修补，着色或笔触引导的图像编辑。
使用在LSUN Bedroom 256^256上通过蒸馏训练的一致性模型进行零样本图像编辑
「一致性模型」还能在使用数学方程时将数据转换成噪声，并确保结果输出对于相似数据点是一致的，从而实现它们之间的平滑过渡。
这类方程称为「概率流常微分方程」（Probability Flow ODE）。
这项研究将这类模型命名为「一致性」，因为它们在输入数据和输出数据之间保持了这种自洽性。
这些模型既可以在蒸馏模式（distillation mode）下训练，也可以在分离模式（isolation mode）下训练。
在蒸馏模式中，模型能够从预训练的扩散模型中提取数据，使其能够在单个步骤中执行。
在分离模式下，模型完全不依赖于扩散模型，从而使其成为一种完全独立的模型。
值得注意的是，这两种训练方法都将「对抗训练」从中删除。
不得不承认，对抗训练确实会产生更强大的神经网络，但其过程是较为迂回。即它引入一组被错误分类的对抗性样本，然后用正确的标签重新训练目标神经网络。
因此，对抗训练这种方式也会导致深度学习模型预测的准确性略有下降，甚至它可能在机器人应用中带来意想不到的副作用。
实验结果表明，用于训练「一致性模型」的蒸馏技术优于用于扩散模型的。
「一致性模型」在 CIFAR10图像集和 ImageNet 64x64数据集上，分别获得了3.55和6.20的最新最先进的FID分数。
这简直就是实现了，扩散模型的质量 + GAN的速度，双重完美。
2月份，Sutskever曾发布了一条推文暗示，
许多人认为伟大的AI进步必须包含一个新的「想法」。但事实并非如此：许多AI的最伟大进步都是以这样的形式出现的，嗯，原来这个熟悉的不起眼的想法，如果做得好，会变得令人难以置信。
最新研究正好证明了这一点，基于旧概念的微调可以改变一切。
作者介绍
作为OpenAI的联合创始人兼首席科学家，Ilya Sutskever无须赘述，看看这张「顶级扛把子」大合照就够了。
（图片最右）
Yang Song（宋飏）
论文一作宋飏，是OpenAI的研究科学家。
此前，他在清华大学获得数学和物理学学士学位，并在斯坦福大学获得了计算机科学硕士和博士学位。此外，他还在谷歌大脑、Uber ATG和微软研究院做过实习。
作为一名机器学习的研究人员，他专注于开发可扩展的方法来建模、分析和生成复杂的高维数据。他的兴趣横跨多个领域，包括生成建模、表征学习、概率推理、人工智能安全和AI for science。
Mark Chen
Mark Chen是OpenAI多模态和前沿研究部门的负责人，同时也是美国计算机奥林匹克队的教练。
此前，他在麻省理工学院获得了数学与计算机科学学士学位，并曾在几家自营交易公司（包括Jane Street Capital）担任量化交易员。
加入OpenAI后，他带领团队开发了DALL-E 2，并将视觉引入到GPT-4中。此外，他还领导了Codex的开发，参与了GPT-3项目，并创建了Image GPT。
Prafulla Dhariwal
Prafulla Dhariwal是OpenAI的一名研究科学家，从事生成模型和无监督学习。在此之前，他是麻省理工学院的一名本科生，学习计算机、数学和物理学。
有趣的是，扩散模型可以在图像生成领域吊打GAN，正是他在2021年的NeurIPS论文中提出的。
网友：终于做了回Open AI
OpenAI今天开放了一致性模型源代码。
终于做回了Open AI。
面对每天太多疯狂突破和宣布。网友发问：我们是稍作休息，还是加速前进？
与扩散模型相比，这将大大节约研究人员训练模型的节约成本。
还有网友给出了「一致性模型」的未来用例：实时编辑、NeRF渲染、实时游戏渲染。
目前倒是没有demo演示，但值得确定的能够实现图像生成的速度大幅提升总是赢家。
我们直接从拨号升级到宽带了。
脑机接口，外加几乎实时生成的超逼真图像。
