瑞士洛桑联邦理工学院联合法国Valeo.ai与索邦大学的研究团队，在人工智能图像生成领域取得突破性进展。他们提出的"表征分布匹配"（RDM）方法及其改进版本iRDM，首次实现了单步生成高质量图像，且在特定测试中超越了需要多步推理的传统模型。相关研究成果以预印本形式发布，论文编号为arXiv:2607.02375。
传统图像生成工具如Midjourney、FLUX等，通常需要经历二十至五十步的逐步优化过程，类似于画家反复修改草图直至完成作品。这种模式虽能保证精度，但推理速度受限。研究团队通过逆向思考：能否让AI直接"提笔成画"，跳过中间步骤？实验表明，通过优化训练范式，单步生成不仅可行，甚至能达到更高质量。
核心挑战在于如何定义"高质量"。AI判断图像优劣的本质，是比较生成图像与真实图像在特征空间中的分布相似度。传统扩散模型通过模拟"噪声到图像"的逐步转化过程实现这一目标，而RDM则直接要求生成图像的分布与真实图像完全匹配。这种设计天然支持单步生成，但需要解决两个关键问题：如何准确衡量分布差异，以及在何种特征空间中进行比较。
研究团队重新审视了十年前被弃用的"最大均值差异"（MMD）方法，发现其失效源于估算方式缺陷。通过将MMD分解为"排斥项"与"吸引项"分别处理——前者在生成图像内部计算，后者与固定参考点比较——并结合Nystrom近似技术，用4096个代表性数据点压缩128万张真实图像的特征，成功解决了计算效率与稳定性的矛盾。实验显示，这种改进版MMD在螺旋线生成测试中，无论批量大小如何均表现稳定，显著优于其他方法。
批量规模的选择同样关键。团队突破显存限制，通过梯度缓存技术实现5120张图像的大批量训练，使分布估计更精准。在条件生成任务（如根据文字描述生成图像）中，他们设计"联合分布匹配"方案，将图像特征与文字特征拼接后共同优化，确保生成内容既真实又符合描述。例如，在生成打字机图像时，模型不仅需还原外观，还需正确排列按键。
为避免模型"钻空子"——即仅优化评委关注的特征而忽视其他维度——研究团队引入由10个不同预训练模型组成的"评审团"，涵盖监督分类、自监督学习、多模态对齐等多种训练范式。通过动态权重分配机制，自动提升未达标评委的权重，确保全面优化。例如，DINOv2模型虽能准确识别蜥蜴，但可能忽略打字机按键的逻辑错误，而其他评委可弥补这一盲区。
评估环节，团队设计全新指标SWr14，采用与训练完全不同的Sliced-Wasserstein距离及14个编码器（含4个未参与训练的模型）进行评分，避免模型"刷分"。在ImageNet-256测试中，iRDM的SWr14得分达1.30，超越所有已发布模型；人类偏好预测模型PickScore显示，71.2%的对比中iRDM更受青睐，甚至有63.6%的生成图像被认为比真实照片更美观。
实际应用层面，团队将方法应用于40亿参数的FLUX.2四步模型，通过预先生成30万张参考图像，仅用90小时GPU时间即完成蒸馏。结果令人惊讶：单步iRDM在Geneval评测中得分0.826，超越原始四步模型的0.794；PickScore从22.58提升至22.76，尤其在双目标物、颜色匹配等需要精确图文对齐的任务中表现突出。
消融实验进一步验证设计合理性：Nystrom版MMD在六种距离函数中表现最佳；拉格朗日权重控制策略使最差编码器分数从4.83降至3.49，显著优于平均分配方案。研究团队指出，当前SWr14 1.30的得分与真实数据的1.0仍有差距，未来可通过多尺度核函数、任务特定编码器组合等方式继续优化。
这项研究为AI图像生成开辟了新路径。单步生成技术可大幅缩短推理时间，对交互式创作、实时视频生成等领域具有重要价值。更重要的是，RDM框架"直接匹配分布"的思路具有普适性，理论上可扩展至语音、视频等其他模态，只需替换合适的预训练编码器即可。
