欢迎加入
「易源易彩交流群」
「易源易彩交流群」
QQ扫码进群
（QQ群号：860213912）
注册得好礼
新用户微信注册享20元算力, >立即注册
关注公众号得算力
新用户关注易彩微信公众号享20元算力，
邀请有礼
邀请1人得5元算力，可累计叠加, 查看规则
摘要
在ICML 2025 Spotlight环节中，清华大学朱军教授领导的团队与NVIDIA Deep Imagination研究组合作，提出了一种创新的视觉生成模型优化方法——直接判别优化（DDO）。该方法为扩散模型和自回归模型的训练提供了新的范式，突破了传统优化方式的局限性。通过DDO优化，团队在图像生成领域实现了最新的最佳性能（SOTA），为视觉生成技术的发展树立了新的里程碑。
关键词
视觉生成，扩散模型，自回归，DDO优化，SOTA性能
视觉生成模型作为人工智能领域的重要研究方向，近年来在图像合成、风格迁移和内容生成等方面取得了显著进展。以扩散模型（Diffusion Models）和自回归模型（Autoregressive Models）为代表的生成方法，凭借其强大的建模能力和高质量的生成效果，成为学术界和工业界的关注焦点。然而，随着应用场景的不断拓展，传统训练与优化方法逐渐暴露出效率低、稳定性差等问题，限制了视觉生成技术的进一步发展。在此背景下，清华大学朱军教授团队与NVIDIA Deep Imagination研究组联合提出了一种全新的优化范式——直接判别优化（Direct Discriminative Optimization, DDO），为视觉生成模型的训练注入了新的活力。
DDO的核心创新在于摒弃了传统的梯度反向传播机制，转而采用一种基于判别器反馈的直接优化策略。这种方法通过构建一个动态判别网络，实时评估生成图像的质量，并将反馈信息直接用于调整生成模型的参数，从而实现更高效、更稳定的训练过程。与现有方法相比，DDO不仅减少了训练过程中对复杂损失函数的依赖，还显著提升了模型收敛速度和生成质量。实验数据显示，在多个主流视觉生成任务中，DDO均实现了性能突破，达到了当前最先进的水平（SOTA），为未来视觉生成技术的发展提供了全新思路。
在扩散模型的应用中，DDO展现出了卓越的优化能力。扩散模型通常依赖于逐步去噪的过程来生成高质量图像，但这一过程往往需要大量迭代计算，训练成本较高。通过引入DDO，研究团队成功地将判别器的反馈机制融入到每一步去噪过程中，使得生成模型能够更精准地捕捉图像结构特征，从而显著提升生成效率与图像质量。实验证明，在COCO和ImageNet等大规模数据集上，结合DDO的扩散模型在FID分数等关键指标上均优于现有方法，刷新了多项视觉生成任务的SOTA记录。
在自回归模型方面，DDO同样展现出强大的适应性与优化潜力。自回归模型通过逐像素预测的方式生成图像，虽然在细节控制方面具有优势，但其训练过程往往面临长序列依赖问题，导致模型收敛缓慢且易陷入局部最优。借助DDO的判别反馈机制，研究团队有效缓解了这一问题，使模型能够在生成过程中动态调整预测策略，从而提升整体生成质量与连贯性。在LSUN等数据集上的测试结果表明，结合DDO的自回归模型在生成分辨率和语义一致性方面均有显著提升，进一步巩固了其在视觉生成领域的领先地位。
DDO（Direct Discriminative Optimization）优化方法在视觉生成模型的训练中引入了一种全新的范式，突破了传统基于损失函数反向传播的训练机制。该方法通过构建一个动态判别网络，实时评估生成图像的质量，并将反馈信息直接用于调整生成模型的参数。这种“即评即优”的策略不仅减少了对复杂损失函数的依赖，还显著提升了模型收敛速度和生成质量。与现有方法相比，DDO更注重生成结果的最终表现，而非中间过程的数学形式化约束，从而实现了更高效、更稳定的训练流程。在ICML 2025的展示中，这一训练范式的创新性得到了广泛认可，为扩散模型和自回归模型的优化提供了可复制的技术路径。
在多个主流视觉生成任务中，结合DDO优化的模型均实现了性能突破，达到了当前最先进的水平（SOTA）。实验数据显示，在COCO和ImageNet等大规模数据集上，DDO优化的扩散模型在FID分数等关键指标上优于现有方法，刷新了多项视觉生成任务的记录。例如，在ImageNet数据集上，使用DDO优化的扩散模型在分辨率256×256的图像生成任务中取得了低于2.3的FID分数，远超此前最优模型的2.7分。而在LSUN等数据集上的测试也表明，结合DDO的自回归模型在生成分辨率和语义一致性方面均有显著提升。这些量化指标不仅验证了DDO优化的有效性，也为未来视觉生成技术的工程落地提供了坚实基础。
尽管视觉生成技术近年来取得了长足进步，但依然面临诸多挑战。一方面，生成模型的训练成本居高不下，尤其是在处理高分辨率图像时，计算资源和时间开销成为瓶颈；另一方面，生成内容的真实性与可控性之间的平衡仍需进一步探索。此外，随着AI生成内容的广泛应用，伦理与版权问题也日益凸显。然而，挑战背后同样蕴藏着巨大的发展机遇。以DDO为代表的新型优化方法正在推动视觉生成从“可用”迈向“好用”，其高效的训练机制和优异的生成效果为大规模部署提供了可能。同时，跨模态生成、个性化定制等新兴需求也为视觉生成技术打开了新的市场空间。
展望未来，DDO优化方法有望在更多生成模型架构中得到应用，并逐步拓展至视频生成、三维内容建模等更高维度的任务领域。研究团队计划进一步优化DDO的判别反馈机制，使其能够适应更复杂的生成场景，并降低对硬件资源的依赖。此外，如何将DDO与强化学习、元学习等前沿技术相结合，也是未来的重要研究方向。朱军教授团队表示，他们希望借助DDO推动视觉生成技术从实验室走向工业级应用，实现从“高质量生成”到“智能创作”的跨越。随着算法的不断演进与应用场景的持续拓展，DDO或将成为下一代视觉生成系统的核心驱动力之一。
清华大学朱军教授团队与NVIDIA Deep Imagination研究组联合提出的直接判别优化（DDO）方法，为视觉生成模型的训练带来了全新的范式。该方法通过动态判别反馈机制，显著提升了扩散模型与自回归模型的生成效率与质量，在多个主流数据集上刷新了SOTA记录。例如，在ImageNet 256×256分辨率图像生成任务中，FID分数低至2.3，远超此前最优模型。DDO不仅解决了传统训练方式中存在的效率低、稳定性差等问题，也为未来视觉生成技术的发展指明了方向。随着该方法的进一步优化与拓展，其应用前景将不仅限于图像生成，更可能延伸至视频、三维建模等更高维度的任务领域，推动视觉生成技术迈向智能创作的新阶段。