新研究提出ROMS-IMLE：单步生成模型在ImageNet 256上实现FID 2.56
arXiv论文摒弃迭代去噪与Transformer，仅用隐式最大似然估计和中等规模卷积网络，在ImageNet 256上达到FID 2.56。
AI解读：这篇论文挑战了扩散模型和流匹配的核心理念——必须通过多个小步骤将噪声逐步转换为数据。作者认为这个过程并非必需，而是用最简单的训练目标（IMLE）和中等规模的卷积网络，设计出单步生成的模型ROMS-IMLE，在ImageNet 256上FID达到2.56，同时保持了良好的精确度和召回率。对研究者而言，这意味着生成模型可能不需要复杂的迭代架构和Transformer，就能达到接近主流方法的性能，从而降低计算成本、提升生成速度。不过，论文目前只是arXiv预印本，尚未经过同行评审，且FID等指标是在特定数据集上测得的，实际部署到其他任务或数据集前仍需验证。
7月21日提交、9月3日更新的arXiv论文（编号2607.19332）提出ROMS-IMLE，一种放弃迭代去噪与Transformer架构的单步生成模型，在ImageNet 256上达到FID 2.56。
作者Chirag Vashist和Ke Li以极简思路出发：只保留训练目标和模型两个核心要素，训练目标选用隐式最大似然估计（IMLE），模型则采用中等规模的卷积网络，有意避开变分推断、对抗训练和数值积分等复杂模块。
论文摘要指出，他们“审慎地添加了真正必要的元素”，而这些元素并不包括迭代去噪。该模型最终实现单步、参数高效的生成，同时获得良好的精确度与召回率。