论文页面 - 高保真两步图像生成：通过教师对齐的端到端蒸馏

来源：https://huggingface.co/papers/2606.12575

摘要

我们通过分布对齐对抗学习、步骤解耦参数化以及带迭代正则化的端到端训练，从8步教师模型蒸馏出一个2步图像生成模型。

少步扩散蒸馏（https://huggingface.co/papers?q=diffusion%20distillation）在4-8步生成方面已日益成熟，但进一步推进到2步仍具挑战性。本文提出Z-Image Turbo++（https://huggingface.co/papers?q=Z-Image%20Turbo%2B%2B），一种从8步Z-Image Turbo教师模型蒸馏出的高质量2步图像生成模型。我们的方法通过三个简单但有效的设计选择，解决了2步生成中任务难度增加和模型容量受限这两个核心瓶颈。首先，我们提出分布对齐对抗学习（https://huggingface.co/papers?q=Distribution-Aligned%20Adversarial%20Learning），使用教师生成的图像而非外部真实图像作为GAN训练的真实样本，提供更易实现且信息更丰富的对抗目标。其次，我们采用步骤解耦参数化（https://huggingface.co/papers?q=Step-Decoupled%20Parameterization），为两个去噪步骤（https://huggingface.co/papers?q=denoising%20steps）分配独立的模型参数，以更好地匹配它们不同的容量需求。第三，我们执行带迭代正则化（https://huggingface.co/papers?q=Iterative%20Regularization）的端到端训练（https://huggingface.co/papers?q=End-to-End%20Training），让第一步能接收来自最终图像质量的梯度，同时通过显式的步骤1损失保留有意义的中间生成。这些设计共同在定性和定量评估中显著缩小了2步与8步生成之间的质量差距，凸显了精心设计的蒸馏策略在改善少步生成质量-效率权衡方面的潜力。

查看arXiv页面（https://arxiv.org/abs/2606.12575）查看PDF（https://arxiv.org/pdf/2606.12575）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.12575）

在你的智能体中获取此论文：

hf papers read 2606.12575

还没有最新的CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有模型链接此论文

在模型README.md中引用arxiv.org/abs/2606.12575即可从本页链接到它。

引用此论文的数据集0

没有数据集链接此论文

在数据集README.md中引用arxiv.org/abs/2606.12575即可从本页链接到它。

引用此论文的Spaces0

没有Space链接此论文

在Space README.md中引用arxiv.org/abs/2606.12575即可从本页链接到它。

包含此论文的收藏集0

没有收藏集包含此论文

将本论文添加到一个收藏集（https://huggingface.co/new-collection）中即可从本页链接到它。