Today for AI
返回热点榜
llm热度 11.1°

AI 聚簇研判事件 · 2026/10/8

宾大与 UIUC 提出 NTM：用归一化流实现四步精确似然图像生成

NTM: Exact Likelihood Four-Step Image Generation via Normalizing Flows

1 篇报道存证1 家独立信源交叉印证持续跟踪至 2026/10/8 08:00:00
全景综述与最新动态
1 家信源交叉印证

宾夕法尼亚大学与伊利诺伊大学厄巴纳-香槟分校联合推出 Normalizing Trajectory Models (NTM)，通过引入条件归一化流解决扩散模型在少步采样中丢失精确似然的问题。该架构结合浅层可逆块与深层并行预测器，支持从零训练或从预训练流匹配模型初始化，并在文生图基准测试中以仅 4 步采样达到或超越强基线性能，同时保留轨迹的精确似然以支持自蒸馏。

最新动向/宾夕法尼亚大学与伊利诺伊大学厄巴纳-香槟分校联合推出 Normalizing Trajectory Models (NTM)，通过引入条件归一化流解决扩散模型在少步采样中丢失精确似然的问题。该架构结合浅层可逆块与深层并行预测器，支持从零训练或从预训练流匹配模型初始化，并在文生图基准测试中以仅 4 步采样达到或超越强基线性能，同时保留轨迹的精确似然以支持自蒸馏。

TIMELINE报道时间线

共 1 篇 · 最新优先
  1. Apple Machine Learning ResearchT1·78 分
    • NTM 将反向采样步骤建模为表达力强的条件归一化流，从而在压缩至 4 步粗粒度过渡时仍能保持精确似然训练。
    • 架构上采用“浅层可逆块+深层并行预测器”的组合，既支持端到端从头训练，也可利用预训练流匹配模型进行初始化。
    • 基于精确轨迹似然的自蒸馏机制，使得轻量级去噪器能利用模型自身诱导的得分函数生成高质量样本。