一致性轨迹模型：学习扩散过程的概率流ODE轨迹

一致性模型（Consistency Models, CM）（Song 等，2023）通过牺牲生成样本质量为代价，实现了基于得分的扩散模型采样加速，但缺乏一种自然的机制来在质量与速度之间进行权衡。为解决这一局限性，我们提出一致性轨迹模型（Consistency Trajectory Model, CTM），该模型是一种广义框架，可将 CM 与基于得分的模型作为特例统一纳入其中。CTM 训练单一神经网络，仅需一次前向传播即可输出得分（即对数密度的梯度），并支持在扩散过程的概率流常微分方程（Probability Flow Ordinary Differential Equation, ODE）轨迹上，任意初始时间与终末时间之间的无限制遍历。CTM 能够高效结合对抗训练与去噪得分匹配损失，显著提升生成性能，在 CIFAR-10 数据集上实现了单步扩散模型采样新最优的 FID 指标（FID = 1.73），在 64×64 分辨率下的 ImageNet 数据集上也达到了 FID = 1.92 的新纪录。此外，CTM 还引入了一类全新的采样方案，涵盖确定性与随机性方法，支持沿 ODE 解轨迹进行长距离跳跃式采样。随着计算资源的增加，CTM 始终能持续提升生成样本质量，避免了传统 CM 中常见的性能退化现象。更重要的是，与 CM 不同，CTM 可直接访问得分函数，从而便于集成扩散模型领域中成熟的可控生成与条件生成方法。同时，该得分函数的可访问性也支持对生成样本的似然（likelihood）计算。相关代码已开源，地址为：https://github.com/sony/ctm。