一步出图最难的是提示词里的细节：只有一次机会，没有反复修的余地。Intrinsic Distribution Matching 这篇（Hugging Fac… · @iluciddreaming · TwKit

@iluciddreaming

一步出图最难的是提示词里的细节：只有一次机会，没有反复修的余地。Intrinsic Distribution Matching 这篇（Hugging Face 论文页 239 赞）想在训练信号这一层把它补上。拆开就是四步： - 起点是 DMD：用 score 差把生成分布往参考分布拉。 - 这个差值不另外训练 fake-score 网络，沿用前人的做法，直接拿模型内部的 velocity 分支来估。 - 论文要回答的问题是：在这套学出来的 score 监督上，再加一个显式的矩约束，会不会更好。 - 依据是一个分解：把 reverse-KL 场拆成高斯矩分量和非高斯残差两部分。 说白了，均值、方差这类低阶统计量单独拿出来约束，剩下的部分交给学出来的 score。

曝光 7 · 评论 1 · 点赞 0 · 书签 0