本论文主要作者来自小红书 AIGC 团队（Dynamic-X-Lab），Dynamic‑X‑LAB 是一个专注于 AIGC 领域的研究团队，致力于推动姿态驱动的人像生成与视频动画技术。他们以高质量、高可控性的生成模型为核心，围绕文生图（t2i）、图像生成（i2i）、图像转视频（i2v）和风格迁移加速等方向展开研究，并通过完整的开源方案分享给开发者与研究者社区。
基于一致性模型（Consistency Models, CMs）的轨迹蒸馏（Trajectory Distillation）为加速扩散模型提供了一个有效框架，通过减少推理步骤来提升效率。然而，现有的一致性模型在风格化任务中会削弱风格相似性，并损害美学质量 —— 尤其是在处理从部分加噪输入开始去噪的图像到图像（image-to-image）或视频到视频（video-to-video）变换任务时问题尤为明显。
这一核心问题源于当前方法要求学生模型的概率流常微分方程（PF-ODE）轨迹在初始步骤与其不完美的教师模型对齐。这种仅限初始步骤对齐的策略无法保证整个轨迹的一致性，从而影响了生成结果的整体质量。
为了解决这一问题，文章提出了单轨迹蒸馏（Single Trajectory Distillation，STD），一个从部分噪声状态出发的训练框架。
为了抵消 STD 引入的额外时间开销，文章设计了一个轨迹状态库（Trajectory Bank），预先存储教师模型 PF-ODE 轨迹中的中间状态，从而有效减轻学生模型训练时的计算负担。这一机制确保了 STD 在训练效率上可与传统一致性模型保持一致。
此外，该工作还引入了一个非对称对抗损失（Asymmetric Adversarial Loss），可显著增强生成结果的风格一致性和感知质量。
在图像与视频风格化任务上的大量实验证明，STD 在风格相似性和美学评估方面均优于现有的加速扩散模型。
- 论文地址：https://arxiv.org/abs/2412.18945
- 项目主页：https://single-trajectory-distillation.github.io/
- 项目 Github: https://github.com/dynamic-X-LAB/Single-Trajectory-Distillation
- 项目模型：https://huggingface.co/Single-Trajectory-Distillation/Single-Trajectory-Distillation
- 关键词：AIGC、视频风格迁移、扩散模型加速
STD 与其他方法的差异
如图 2 所示，(a) 中的传统一致性蒸馏方法（Other CMs）从 x_0 加噪得到不同的 x_t，再拟合多条 PF-ODE 轨迹的初始部分，存在轨迹不对齐问题。而在 (b) 中，文章提出的单轨迹蒸馏（Single-Trajectory Distillation, STD）方法则从一个固定的加噪状态 x_(τ_η ) 出发，通过教师模型完整地去噪出多个 x_t，并以此为训练目标，使学生模型在一条完整轨迹上实现自一致性。这种策略有效解决了训练 - 推理路径不一致的问题，提升了整体生成质量。
为了避免从 x_(τ_η ) 开始反复推理带来的训练开销，进一步提出了轨迹缓存库（trajectory bank），用于预存教师模型轨迹中的中间状态，从而保持训练效率不变。同时，引入了非对称对抗损失（asymmetric adversarial loss），对不同噪声级别下的生成图与真实图进行对比，有效提升图像饱和度，减少纹理噪声。
前置理论
【扩散模型】
【轨迹】
【基于部分加噪的编辑】
方法介绍
【单轨迹蒸馏理论】
在扩散模型中，理想情况下反向去噪轨迹应与前向扩散轨迹严格互逆。但实际中，不完美去噪模型会导致：
针对图像 / 视频风格化任务中固定起点 η 的需求，提出基于一致性模型仅在固定起点的单条轨迹上做一致性蒸馏，具体包含两个关键点：
根据第二部分对轨迹的定义，可以写出单轨迹蒸馏损失函数的表达式如下：
为降低蒸馏误差，约束学生模型学习的时间步 s 接近教师步 t：
其中 γ 表示控制目标时间步 s 的取值下限比例因子通过缩短 t 与 s 的距离，可以减小误差上界，同时保留随机性提升模型性能。
【轨迹状态库】
【非对称对抗损失】
其中 F 表示 DINO-v2 模型，D_ψ 表示判别器，ψ 表示判别器的可学习参数，x_r 指对 x_0 加噪 r 步后获得的样本。
实验结果
- 训练集：Open-Sora-Plan-v1.0.0
- 测试集：wikiArt（10 张） + COCO（100 张） + 自定义 100 张图像 / 12 个视频及 15 种风格图像的测试集
- 评估指标：风格相似度（CSD）、LAION 美学评分和时间一致性（Warping Error）指标
- 对比方法：LCM / TCD / PCM / TDD / Hyper-SD / SDXL-Lightning / MCM
【对比实验】
STD 与当前多种加速方法在 8 步、6 步、4 步下进行对比，在风格相似性和美学分数上达到 SOTA 水平。其中图像生成在 NFE=8 时 CSD 分数比 Hyper-SD 提升↑0.032；视频生成的 Warping Error 达到 0.166，显著优于 MCM 的 0.257。从可视化（图 4）中可以看出 STD 方法的风格质量和图像质量显著更高；在不同 CFG 的定量指标折线图中（图 5）也表现出了更优水平。
视频效果：
【消融实验】
文章对单轨迹蒸馏方法、轨迹状态库以及非对称对抗损失函数做了消融实验（表 2），当使用轨迹状态库时，抵消了 STD 带来的额外 3.8 倍训练耗时，而 STD 方法和非对称对抗损失函数都显著提升了风格相似性分以及美学分。
其他重要参数的取值和特性消融实验：
STD 和非对称对抗损失强度（Fig 6）：强度越大，细节和噪点越少，对比度越强，画质越好。
不同的噪声起点（Fig 8）：η 越大，风格化程度越大，但是内容相关性越弱。
不同的目标时间步 s 的取值下限比例因子（Fig 10）：更大的 γ 值带来更低噪声，更强的非对称对抗损失产生更高对比度；γ=0.7 在风格保持与细节呈现间取得最佳平衡。
非对称对抗损失目标时间步位置（Table 3、Fig 9）：当 r
【可扩展性试验】
文章进一步讨论了 STD 方法的适用范围，从 STD 的理论推导上看，该方法可用于其他任何 “基于部分噪声的图像 / 视频编辑” 任务，如 inpainting 等。为了验证猜想，文章展示了一组使用 STD 和其他加速方法用于 inpainting 的对比图。如图 7，相比 LCM 和 TCD 方法，STD 的 inpainting 效果更加自然。
结语
文章针对基于一致性模型的图像视频风格迁移加速方法，重点优化了风格相似性与美学质量。研究发现前向 SDE 轨迹中不同噪声强度会导致 PF-ODE 轨迹产生差异，据此提出基于特定噪声强度的单轨迹蒸馏方法（STD），有效解决了训练与推理轨迹不对齐问题。为降低 STD 方法的训练成本，创新性引入轨迹库机制，并采用非对称对抗损失提升生成质量。对比实验验证了本方法在风格保持与美学表现上的优越性，系统消融实验证实了各模块的有效性。该方法可扩展至部分噪声编辑任务，文章已探索了基于 STD 的图像修复应用，为后续相关工作提供新思路。
