B-DENSE：基于分支的稠密集成网络监督效率

受非平衡热力学启发，扩散模型在生成式建模中取得了最新性能。然而，其迭代采样过程导致高推理延迟。虽然最近的蒸馏技术加速了采样，但它们丢弃了中间轨迹步骤。这种稀疏监督导致结构信息丢失并引入显著离散化误差。为缓解此问题，我们提出 B-DENSE，一种利用多分支轨迹对齐的新框架。我们修改学生模型架构，输出 $K$ 折扩展的通道，其中每个子集对应于表示教师轨迹特定离散中间步骤的分支。通过训练这些分支同时映射到教师目标时间步的整个序列，我们强制稠密中间轨迹对齐。因此，学生模型在训练的最早阶段学习如何导航解空间，展示出优于基线蒸馏框架的优异图像生成质量。