苹果研究团队提出 Normalizing Trajectory Models，提升少步扩散生成质量

苹果机器学习研究团队于2026年10月发布论文《Normalizing Trajectory Models》，提出用条件归一化流表示扩散模型的每个反向采样步骤，关注点在于少步生成与精确似然训练之间的兼顾。

• 论文指出，传统扩散模型依赖大量细粒度去噪步骤，压缩到少数粗粒度转换后，原有假设容易失效。
• NTM在每一步使用浅层可逆模块，并以并行预测器建模完整生成轨迹。
• 苹果研究页面称，该方法可通过自身诱导的评分函数进行自蒸馏，并在四步采样下生成图像。
• 论文页面还称，NTM在文本生成图像基准上达到或超过部分强基线，但未说明其在更广泛任务和真实应用中的表现。
• 影响/看点：如果后续实验能在不同数据集、分辨率和硬件条件下复现，NTM可能降低扩散生成的推理步数，同时保留似然评估能力；实际价值取决于质量、延迟与训练成本之间的综合权衡。
• 资料依据:
• Apple Machine Learning Research（2026-10-08）：https://machinelearning.apple.com/research/normalizing-trajectory-models

本内容由 AI 生成，仅供参考，请注意甄别