研究論文 #論文基準2 個來源Qwen3.8-Flash-Next-180B 撰寫

IDM 結合內部特徵匹配提升文字生成影像品質

研究提出 Intrinsic Distribution Matching (IDM)，透過生成器自身的指數移動平均特徵進行矩匹配，在 2 次網路評估下於 LongText 基準測試取得最高分。

本文重點

研究提出 IDM，利用生成器自身 EMA 特徵進行矩匹配以改善文字生成影像。
IDM 在 2 次網路評估下，LongText 基準測試取得 94.25% 與 90.20% 最高分。
目前 IDM 模型權重尚未發布，僅提供推論程式碼供使用者使用。

本站上線: 2026/10/31 上午12:21
首次報導: 2026/10/29 上午08:00
最早來源發布: 2026/10/29 上午08:00

AI 摘要｜已與來源比對｜未經人工查核。本文由程式（Qwen3.8-Flash-Next-180B）讀取下列來源全文與官方原文後撰寫，每段後面的標籤是依據的來源，點擊即可開啟原文。程式會比對數字、版本與日期是否出現在來源中，但這不等於事實查核。內容怎麼產生、有什麼限制；發現錯誤請用文末的「回報」。

約 3 分鐘讀完段落：研究在做什麼·方法·結果·限制·程式碼與資料

研究在做什麼

由 Inclusion AI、西湖大學、清華大學等機構共同提出的研究，旨在改善單步與少步（few-step）文字生成影像（text-to-image）的品質。現有方法如分佈匹配蒸餾（Distribution Matching Distillation, DMD）利用分數差異來監督快速生成器，但研究團隊探討是否能透過顯式的矩約束（moment constraint）進一步提升這種學習到的分數監督效果。IDM 的核心概念是在保留完整 DMD 修正的同時，利用生成器自身的指數移動平均（Exponential Moving Average, EMA）副本進行特徵矩匹配，無需依賴外部特徵編碼器。官方原文・github.com Hugging Face 每日精選論文

方法

IDM 將反向 KL 散度場分解為高斯矩分量與非高斯殘差，並對矩施加顯式約束。具體來說，它在生成器的 EMA 特徵空間中匹配特徵的均值與每座標標準差。這種矩匹配補充了分數修正，而非取代分佈信號的殘差部分。在推論階段，僅需學習到的條件生成器、文字編碼器和 VAE，不需要執行矩計算、特徵佇列、外部編碼器或假分數評估。研究在 Z-Image-Turbo 6B 和 Qwen-Image 20B 兩個基礎模型上，分別使用全參數微調和低秩適應（Low-Rank Adaptation, LoRA）進行實驗。官方原文・github.com Hugging Face 每日精選論文

結果

在 2 次網路評估（NFE，Network Function Evaluation，指模型前向傳播次數）的預算下，IDM 在 LongText-CN 和 LongText-EN 基準測試中分別達到 94.25% 和 90.20%，為比較方法中的最高分。與 Z-Image-Turbo++ 相比，IDM 在 LongText-CN 和 LongText-EN 上分別提升了 2.63 和 0.32 個百分點；與 APEX 相比，則分別提升了 3.87 和 1.44 個百分點。在速度方面，全參數 IDM (Z-Image) 在單張 A100 GPU 上以 BF16 精度運行時，1 NFE 耗時 0.25 秒，2 NFE 耗時 0.30 秒；IDM (Qwen-Image) 則分別耗時 0.35 秒和 0.44 秒。官方原文・github.com

受控消融實驗顯示，在內部 DMD 控制的基礎上加入 EMA 特徵矩損失，使五項聚合指標均有所提升：OneIG 提升 0.19、GenEval 提升 0.35、DPG-Bench 提升 0.28、LongText-CN 提升 0.38、LongText-EN 提升 0.41。使用生成器自身 EMA 特徵的結果與使用外部 DINOv2 特徵的結果相當，證實了無需外部編碼器即可有效利用內部特徵。此外，Qwen-Image 20B 的全參數模型在 2 NFE 下還達到了 87.16% 的 DPG-Bench 分數和 0.56 的 WISE 分數。原文

限制

目前 IDM 的模型權重尚未發布，僅提供推論程式碼。實驗結果基於特定的訓練設定與資料，不同基礎模型（如 Z-Image 與 Qwen-Image）的訓練設定與資料可能不同。此外，雖然 IDM 在 LongText 基準上表現優異，但在 DPG-Bench 上，APEX 的分數高於 IDM。官方原文・github.com