Nous introduisons Score Identity Distillation (SiD), une méthode innovante et sans données qui transfère les capacités génératives des modèles de diffusion préentraînés vers un générateur à une seule étape. SiD permet non seulement une réduction exponentielle de la distance Fréchet inception (FID) durant le processus de distillation, mais atteint ou dépasse même les performances FID des modèles enseignants de diffusion d'origine. En reformulant les processus de diffusion vers l’avant sous la forme de distributions semi-implicites, nous exploitons trois identités liées aux scores pour concevoir un mécanisme de perte innovant. Ce mécanisme permet une réduction rapide de la FID en entraînant le générateur à l’aide d’images synthétisées par lui-même, sans nécessiter de données réelles ni de génération basée sur la diffusion inverse, tout en réduisant considérablement le temps de génération. Évaluée sur quatre jeux de données standard, l’algorithme SiD démontre une haute efficacité itérative durant la distillation et surpasser les approches concurrentes de distillation — qu’elles soient à une étape ou à quelques étapes, sans données ou dépendantes de données d’entraînement — en termes de qualité de génération. Ce résultat redéfinit non seulement les repères en matière d’efficacité et d’efficacité dans la distillation de modèles de diffusion, mais aussi dans le domaine plus large de la génération basée sur les modèles de diffusion. Une implémentation en PyTorch est disponible à l’adresse suivante : https://github.com/mingyuanzhou/SiD