FID分数

何恺明新作：给扩散模型加正则化，无需预训练无需数据增强，超简单实现性能提升

作者

研究者提出一种新的正则化方法Dispersive Loss，旨在改进扩散模型生成图片的效果。该方法不需要定义正样本对，通过鼓励中间表示的分散性来提高模型的泛化能力和生成质量。论文在ImageNet数据集上进行了测试，并展示了其有效性。

何恺明团队又发新作： MeanFlow单步图像生成SOTA，提升达50%

作者

大神何恺明发布新作《Mean Flows for One-step Generative Modeling》，提出一种名为 MeanFlow 的单步生成建模框架，通过引入平均速度的概念，在 ImageNet 256×256 数据集上取得了显著优于以往单步扩散/流模型的结果，FID 分数达到3.43。