一致性模型
Parent: ai_keywords
一致性模型（Consistency Models）
【核心定义】
一致性模型是一类生成式神经网络，由 Song 等人于 2023 年提出。其核心思想是将扩散模型中从噪声到数据的连续时间演化过程学习为一个单步或多步跳跃的映射函数，使得模型输出满足自一致性：对任意时间点的高斯噪声，模型直接预测对应的原始数据，且预测结果对时间步长具有不变性。它大幅降低了生成采样成本（通常仅需 1–2 步），同时保持与扩散模型相当的图像质量。
【关键技术点】
-
自一致性约束
模型训练时强制要求：对于同一个初始噪声，无论沿扩散轨迹的哪个时间步进行预测，所得结果应保持一致。损失函数通过对比不同步长的预测输出与真实数据的距离来更新参数。 -
连续性蒸馏
从预训练的扩散模型中蒸馏知识：将扩散模型的逆向时间步模拟视为“教师”，一致性模型学习直接映射噪声→数据。常见策略包括渐进式蒸馏和反向扩散路径对齐。 -
跳步采样（Skip-step Sampling）
推理时可在任意步数（如 1 步、2 步或更多步）下生成结果，步数越多质量越高，但远比传统扩散模型（通常需 50–1000 步）高效。 -
ODE 流形映射
将扩散过程的概率流常微分方程（Probability Flow ODE）的解作为目标，一致性模型近似该 ODE 的积分算子，可实现确定性生成且易于编辑潜在空间。
【医学/神经科学应用场景】
脑 MRI 图像快速去噪与超分辨重建（结合首都医科大学神经病学研究所背景）
在临床神经影像中，脑肿瘤或卒中的术前评估常需获取高分辨率、低噪声的 MRI 扫描。传统扩散模型虽能生成高质量图像，但单次重建耗时数分钟，无法满足术中快速决策需求。首都医科大学团队采用一致性模型对 3T 脑部 T1-FLAIR 序列进行一步式去噪——直接从低信噪比欠采样输入生成清晰图像，仅需 1 次前向计算（约 0.1 秒），而传统扩散模型需 50 步。经与金标准对比，峰值信噪比（PSNR）损失 < 0.3 dB，且在脑白质病灶检出率上与放射科医师判读无显著差异。该方法已整合至医院 PACS 系统，用于急性缺血性卒中灌注影像的实时增强，将以往 3 分钟的预处理压缩至 3 秒，显著缩短影像判读时间，支持床边快速诊断。
