实体
Normalizing Trajectory Models
Normalizing Trajectory Models
PulseAugur coverage of Normalizing Trajectory Models — every cluster mentioning Normalizing Trajectory Models across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
时间线
- 2026-05-08 research_milestone Publication of a paper introducing Normalizing Trajectory Models. 来源
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
Apple发布归一化轨迹模型，加速AI图像生成
Apple Machine Learning Research推出了归一化轨迹模型（NTM），这是一种新颖的生成模型方法，即使只有少数粗略的采样步骤也能保持精确的似然训练。与以往牺牲似然性换取速度的方法不同，NTM在每个反向步骤中利用了表达性条件归一化流。这种架构结合了浅层可逆块和深度并行预测器，允许从头开始训练或从预训练的流匹配模型进行初始化。NTM在文本到图像基准测试中表现出竞争力，仅用四个步骤即可生成高质量样本，同时保持生成轨迹的精确似然。
-
归一化轨迹模型实现精确似然训练，仅需几步
研究人员推出了一种新颖的生成模型方法——归一化轨迹模型（NTM），该方法在减少采样步数的情况下仍能保持精确似然训练。NTM在生成过程的每一步中集成了条件归一化流，从而实现表达性建模和端到端训练。该方法在文本到图像基准测试中仅使用四次采样步数即可达到具有竞争力或更优的性能，在保持似然框架完整性的同时显著提高了效率。