当AI画图从"多步走"变成"一步到位"：EPFL等攻克单步图像生成难题

这项由瑞士洛桑联邦理工学院（EPFL）与法国Valeo.ai及索邦大学联合开展的研究，于2026年7月2日以预印本形式发布，论文编号为arXiv:2607.02375。

说到AI生成图像，大多数人已经见识过Midjourney、FLUX这类工具创作出的惊艳画面。但很少有人注意到，这些工具在生成一张图片时，其实在幕后"思考"了好几步——有些模型甚至要走上二十步、五十步才能画出一张图。这就像一个画家，需要先打草稿、再上底色、然后细化、最后收尾，每一步都在修正上一步的结果。这个过程当然很准确，但速度就慢了。

那么，有没有可能训练一个AI，让它"提笔即成"，一步就画出高质量的图？这正是这篇论文要解决的核心问题。研究团队给他们的方法起了个名字，叫做"表征分布匹配"（Representation Distribution Matching，简称RDM），并在此基础上提出了改进版本iRDM。他们不仅让单步生成成为可能，还证明了单步模型的质量可以超越四步模型——这在此前几乎是不可想象的。

一、为什么"一步画图"那么难？先从AI如何"判断好坏"说起

要理解这项研究，得先明白AI是怎么评判一张图"好不好"的。

在AI的世界里，判断一张图好不好，本质上是在比较两组图片的"分布"——也就是看生成的图片整体上长得像不像真实照片。打个比方，假设你从来没见过猫，但你有一本里面装了一百万张猫照片的相册。你的任务是训练一个机器人，让它画出的猫"看起来像从这本相册里随机翻出来的"。怎么判断它画得像不像？就是把它画的一批猫和相册里的一批猫放在一起，看两批的整体感觉是否一致。

现有的主流做法（扩散模型、流匹配模型）是让AI学习一个"如何把噪声一步步变成图片"的过程，就像教它按照一个详细的菜谱，一步一步烹饪。这样做很可靠，但必须按顺序走完所有步骤，推理速度因此受限。

而RDM的思路完全不同——它直接告诉AI："你画出的一批图和真实图片在某种特征空间里的分布要一样。"这就好比不教厨师菜谱，而是告诉他："你做的菜，尝起来、闻起来、看起来都得和米其林餐厅出品的一样。"只要满足这个最终标准，过程怎么走都行。这种方式天然就能实现"一步生成"——因为约束的是最终结果的分布，而不是中间过程。

但问题随之而来：怎么衡量"分布是否一样"？用什么标准来比较？这正是这篇论文花了大量篇幅去研究的两个核心设计轴。

二、两把"测量尺"：如何比较分布，以及在哪里比较

研究团队把整个RDM框架的设计空间归结为两个维度。第一个维度是"比较方式"——用什么数学工具来衡量两组图片分布之间的差距。第二个维度是"比较场所"——在哪个"特征空间"里做这个比较，也就是用哪种预训练好的神经网络来提取图片的特征。

这两个维度乍听起来很抽象，但可以用一个生活中的类比来理解。假设你是一个葡萄酒鉴赏师，要判断一批新酿的酒是否和某个年份的珍藏酒风格一致。"比较方式"是你的评判标准——你是测量酒精度、单宁含量，还是用更全面的气相色谱分析？"比较场所"是你的鉴定维度——你从香气、口感、颜色哪个角度来鉴定？不同的标准和维度，得出的结论可能大相径庭。

这篇论文之前的方法，都是把这两个维度的选择绑定在一起，所以很难搞清楚到底是哪个选择在起作用。研究团队的贡献之一，就是把这两个维度拆开来，逐一测试。

三、"最大均值差异"这把老尺子，其实没那么老

在比较方式这个维度上，研究团队发现了一个让人惊喜的事实：一个十年前就被主流放弃的方法，其实根本没有问题，只是之前用的姿势不对。

这个方法叫做"最大均值差异"（Maximum Mean Discrepancy，MMD）。简单来说，它的工作原理是这样的：给两组图片的特征分别打上"标签"，然后计算一个分数，这个分数在两组图片来自同一分布时为零，越不像就越大。十年前，研究者试图用它来训练图像生成器，效果很差，于是大家认为它"太弱了"，转而去发展GAN（生成对抗网络）等更复杂的方法。

但这篇论文的研究团队认为，MMD不是天生弱，而是之前的估算方式有问题。他们的核心洞察是：MMD包含两项——一项衡量生成图片彼此之间的差异（排斥项），一项衡量生成图片和真实图片之间的相似度（吸引项）。这两项的"信息来源"是不同的，应该用不同的方式来处理。

对于排斥项，它只需要在当前生成的这一批图片里计算，计算量固定且可控，所以可以精确计算，不用近似。对于吸引项，它需要拿生成的图片去跟整个真实数据集（比如ImageNet的128万张图）比较。如果每次训练都重新采样一批真实图片来计算，会引入大量噪声，就像每次用一把不同精度的尺子量同一根棍子，结果就会飘忽不定。

研究团队的解决方案是，只做一次这个昂贵的计算，把整个128万张图片的"集体特征"压缩成一个紧凑的参考点——具体来说，用了一种叫做"Nystrom近似"的技术，用4096个代表性的"地标点"来概括整个数据集的特征分布，然后把这个参考点冻结起来，以后每次训练都拿生成的图片去跟这个固定参考点比较。这就好比不是每次都重新请一百万个评委打分，而是事先请专家做了一份权威的标准答案，之后每次都拿作品去对照这份标准答案。

为了验证这个设计的优越性，研究团队做了一个非常直观的测试：在一个64维空间里，把数据藏成一个螺旋形的曲线，然后用不同的方法来训练一个生成器，看谁能最准确地重现这条螺旋。测试结果用两个指标来衡量：锚点召回率（生成的点有多少落在螺旋上）和到曲线的中位距离（生成的点离螺旋有多近）。

在这个测试里，Nystrom版本的MMD在大批量和小批量情况下都表现最稳定，是唯一在所有条件下都不失手的方法。精确计算的MMD在小批量下会退化（因为参考样本太少），随机傅里叶特征版本在高维下精度下降，Sliced-Wasserstein在小批量下失去召回率，而竞争对手"漂移场"方法在大批量下直接崩溃。

四、生成批量越大越好，但不是越多越好

确定了比较方式之后，研究团队开始研究另一个关键变量：每次训练时生成多少张图片。

这里存在一个经典的权衡。生成的图片越多，对当前分布的估计就越准确，就好比你用1000个人的身高数据来估计某个城市的平均身高，肯定比用10个人的数据更可靠。但在同样的计算预算下，生成的图片越多，意味着更新模型的次数越少——钱就这么多，要么买很多便宜食材做简单菜，要么买少量好食材做精品菜。

之前的做法通常是用相对小的批量（几十到几百张），这是受限于显存的被迫之举。研究团队通过一种叫做"梯度缓存"的技巧突破了这个限制——简单来说，就是把一大批图片分成小块分别处理，但最终累积成一个完整批量的梯度效果，显存占用和处理小批量一样，但效果等同于处理大批量。

在保持总计算时间相同的条件下，研究团队测试了从512到10240不同的批量大小，结果发现：最小的批量（512）训练效果反而比不训练还差，这是因为估计太不准确，噪声把模型带偏了。随着批量增大，质量持续提升，在5120左右达到一个宽阔的最优区间，10240也只是略微下降。最终，研究团队在ImageNet实验中使用5120，在更大的FLUX模型上使用10240。这个数字比业界常用的批量大小大了至少一个数量级。

条件生成任务（比如"根据文字描述画图"）还带来了额外的挑战：模型可能会"偷懒"——生成的图片整体上看起来真实（满足图像分布），但不按照文字描述画（图文不对应）。为了解决这个问题，研究团队设计了一个"联合分布匹配"方案：把图片特征和对应的文字描述特征拼接在一起，作为一个整体去匹配。这样一来，一张生成的图不仅要"看起来真实"，还要"和对应的描述语义一致"，两个条件同时满足才算合格。

五、单靠一个评委是不够的——多编码器集成的必要性

现在来到第二个设计维度：在哪个特征空间里做比较。

这里有一个看起来很反直觉的发现：就算你用一个非常强大、非常精细的特征提取器（比如顶级的DINOv2视觉模型）作为评判标准，也不足以保证图片真正高质量。

研究团队做了这样一个实验：只针对DINOv2特征空间来优化，训练5120步。结果，按照DINOv2的标准，生成图片的质量分数降到了和真实图片几乎一样低——也就是说，DINOv2认为它们"和真实图片一样好"。但肉眼看上去，生成的图片远远没有那么好。一张蜥蜴的图片变得几乎和照片一样逼真，但一张打字机的图片，按键布局还是明显不合常理。

这说明了一个深刻的问题：任何单一的评判标准都有盲区。DINOv2在识别蜥蜴的整体特征上很强，但在判断打字机按键排列是否符合现实逻辑方面则不够敏感。模型会聪明地找到这些盲区，优先在评委关注的地方做好，而把评委看不见的地方放弃掉——这就是所谓的"过拟合"，或者更生动地说，是"欺骗评委"。

解决方案是请更多不同类型的评委。研究团队组建了一个由10个不同预训练模型组成的"评审团"，这些模型来自不同的训练范式：有监督分类的（Inception、ConvNeXt）、自监督学习的（MAE、DINOv3）、多模态对齐的（CLIP、SigLIP2）、多教师蒸馏的（PE-Core、RADIO）、人类相似度校准的（DreamSim），等等。每个模型都有不同的关注维度，不同的盲区，这样就很难同时欺骗所有人。

但评审团多了，新的问题来了：怎么分配每个评委的权重？如果平均分配，模型可能会集中讨好那些最容易满足的评委，而忽视最挑剔的那几个。研究团队借鉴了强化学习中的一种叫做"PID拉格朗日方法"的控制论思路：哪个评委还没被满足，就给它更高的权重；一旦某个评委已经满意了，就降低它的权重。具体实现时，每个评委都有一个"满意阈值"（用真实验证集数据的分数来定），凡是还没达到这个阈值的，按照差距大小自动提高权重，权重通过softmax归一化分配预算。这就像一桶水，水面的高度取决于最短的那根木板——"最短木板"会自动获得最多的修补资源。

六、一把新尺子：专为抗作弊设计的SWr14评分

既然训练时使用了MMD作为损失函数，评估时就不应该用同一把尺子——否则模型可能只是学会了"在MMD这把尺子下看起来好"，而不是真正高质量。研究团队设计了一个全新的评估指标，叫做SWr14。

这个指标的设计思路是"换把尺子，换个房间"。首先，把MMD替换成"Sliced-Wasserstein距离"——这是一种完全不同的分布比较工具，和MMD的数学机制没有重叠，所以对MMD训练出的模型来说，这把尺子是全新的挑战。其次，用14个编码器（包括4个在训练中完全没用过的"留出编码器"）来计算每个编码器下的分数，然后取平均。每个编码器的分数都先除以真实验证集数据的分数（归一化），让1.0成为"真实图片"的基准分——越接近1.0越好，实际上没有任何已发布模型能低于1.30。

这个指标的优势在于：它和训练损失毫无关联（换了数学工具），又用了没参与训练的编码器（换了评委），还有真实数据作为归一化基准（有客观参照），所以很难被"游戏化"——也就是说，在这把尺子上表现好，基本上能确保图片真的高质量，而不是在特定评判标准下的取巧。