Yapay zeka destekli görüntü üretim teknolojilerinin en büyük engellerinden biri olan yavaş işlem sorunu için yenilikçi bir çözüm geliştirildi. Diffüzyon ve akış tabanlı generatif modeller görüntü üretiminde çığır açmasına rağmen, yavaş iteratif örnekleme yapıları pratik uygulamalarda büyük bir darboğaz oluşturuyor.
Tutarlılık modelleri (CM) bu alanda etkili üretim için geliştirilmiş en güncel damıtma tabanlı yaklaşımlar arasında yer alıyor. Ancak büyük ölçekli uygulamaları iki temel sorunla sınırlı kalıyor: eğitim kararsızlığı ve esnek olmayan örnekleme. Araştırmacılar bu problemlerin kök nedenlerini derinlemesine analiz etti.
Çalışmada, eğitim kararsızlığının kararsız kendi-kendine öğrenme teriminin neden olduğu kayıp sapmasından kaynaklandığı, örnekleme esneksizliğinin ise hata birikiminden ortaya çıktığı belirlendi. Bu kritik bulgular üzerine Dual-End Consistency Model (DE-CM) adlı yeni bir yaklaşım geliştirildi.
DE-CM, hayati alt-yörünge kümelerini seçerek kararlı ve etkili eğitim sağlıyor. Bu yöntem, mevcut tekniklerin mimari ayarlamalar veya düzenlenmiş hedeflerle sorunu çözmeye odaklandığını, ancak yörünge seçiminin kritik rolünü göz ardı ettiğini gösteriyor. Yeni yaklaşım, yapay zeka tabanlı görüntü üretim sistemlerinin hem daha hızlı hem de daha güvenilir çalışmasını mümkün kılıyor.