兼顾美学表现和推理速度的项目 UniFL

最近漏了挺多东西的看不过来，比如字节这个兼顾美学表现和推理速度的项目 UniFL。

生成质量方面比 ImageReward 高出 17%的用户偏好，并且在 4 步推理中比 LCM 和 SDXL Turbo 表现出 57%和 20%的优势。

当前扩散模型存在的问题：

尽管扩散模型在图像生成方面取得了显著进展，但它们仍然存在一些问题，如生成的图像质量不足、缺乏符合人类审美的吸引力以及推理过程效率低下。这些问题限制了扩散模型在实际应用中的潜力和实用性。

UniFL框架的关键组件：

UniFL框架的核心在于三个关键组件：感知反馈学习用于提升视觉质量，解耦反馈学习用于增强美学吸引力，对抗性反馈学习用于优化推理速度。这三个组件共同作用，使得UniFL能够有效地解决当前扩散模型面临的问题。

UniFL的实验验证和用户研究：

通过一系列深入的实验和广泛的用户研究，UniFL证明了其在提升生成模型质量和加速推理方面的优越性能。实验结果显示，UniFL在多个类型的扩散模型上都取得了显著的性能提升，并且在各种下游任务中展现出强大的泛化能力。