生成建模与扩散
突破级
有讲解视频
收录解读
one-step diffusion 一直很吸引人，因为它承诺把生成速度直接压到单步，但这条线常常把理论推导、训练配方和工程 trick 混在一起，导致 shortcut model 的设计空间既碎片化又难复用。
这篇工作的重要价值不只是又拿到更低 FID，而是把 shortcutting flow paths 的代表性做法放进同一设计框架，显式拆开组件级选择，并据此系统化改进 one-step diffusion 的训练与建模路线。结果上，它在不依赖 pre-training、distillation 或 curriculum learning 的前提下，把 one-step ImageNet-256 结果推到新的强基线。
它值得正式收录，因为这类“重写设计空间”的工作对 generative modeling 的外溢明显高于单点指标提升。对于 shortcut diffusion、few-step generation 和更广的高效生成路线，这种 component-level design framework 有耐久参考价值。
它暂时不升到更高一级，原因在于当前影响力仍主要集中在 image generation 子线，且这套设计框架是否会统一更广 shortcut / flow-based generation 家族，还需要后续社区采用来验证。