DiffusionOPSD：拡散モデルのオンポリシー自己蒸留手法

記事の3ポイント

1. 1

   DiffusionOPSD の仕組み

   凍結された行動方針が生成する軌道からクエリ状態とアンカーを取得し、報酬勾配を用いて正負の目標を構築するオンポリシー自己蒸留フレームワークである。

2. 2

   学習効率の劇的向上

   DiffusionNFT と比較して SD 3.5-M で GPU 時間を 40%、Z-Image-Turbo で 63% 削減し、競争手法よりも最大 44.0% の性能向上を達成した。

3. 3

   実験的検証結果

   2 つのバックボーンと 10 人の評価者による 20 の報酬一致設定のうち 19 で最高スコアを記録し、大規模な目標構築の利得が即座に実現されるわけではないという洞察も得た。