CMStochasticIterativeScheduler

一致性模型由 Yang Song、Prafulla Dhariwal、Mark Chen 和 Ilya Sutskever 提出，引入了一种多步和单步调度器（算法 1），能够在一步或少量步骤中生成高质量样本。

论文的摘要如下：

扩散模型在图像、音频和视频生成领域取得了显著进展，但它们依赖于迭代采样过程，导致生成速度缓慢。为了克服这一限制，我们提出了一致性模型，这是一种能够直接将噪声映射到数据的新模型家族。它们支持快速的一步生成，同时仍然允许多步采样以在计算和样本质量之间进行权衡。它们还支持零样本数据编辑，如图像修复、着色和超分辨率，而无需在这些任务上进行显式训练。一致性模型可以通过蒸馏预训练的扩散模型进行训练，或者作为独立的生成模型进行训练。通过广泛的实验，我们证明它们在一步和少量步采样中优于现有的扩散模型蒸馏技术，在 CIFAR-10 上实现了 3.55 的新 FID 记录，在 ImageNet 64x64 上实现了 6.20 的新 FID 记录。当独立训练时，一致性模型成为一种新的生成模型家族，能够在标准基准测试（如 CIFAR-10、ImageNet 64x64 和 LSUN 256x256）上优于现有的单步、非对抗生成模型。

原始代码库可以在 openai/consistency_models 找到。