En ny forskningsmetode, AdvFD, adresserer et centralt problem i træningen af AI-modeller, der genererer billeder. Problemet opstår, når man eftertræner en model til at producere billeder i ét enkelt trin i stedet for mange – en teknik, der gør genereringen markant hurtigere. Under denne eftertræning bruger man ofte et mål kaldet Fréchet-afstand, som sammenligner fordelingen af rigtige og genererede billeder. Men denne metode kan føre til såkaldt 'Fréchet hacking': Modellen forbedrer sig på selve målet, mens den faktiske billedkvalitet stagnerer eller forringes.
Forskerne bag AdvFD identificerer årsagen til problemet: De statiske, forudtrænede repræsentationer, som de eksisterende Fréchet-metoder bruger, giver et ufuldstændigt og fast billede af forskellene mellem rigtige og genererede billeder. AdvFD løser dette ved at tilføje et lærende, modstandsdygtigt element, der aktivt søger at maksimere forskellen mellem rigtige og genererede billeder i et adaptivt feature-rum, mens generatoren samtidig forsøger at minimere denne forskel. For at undgå, at dette modstandsdygtige element bare forstærker signalet kunstigt, introducerer metoden en teknik kaldet 'real-feature whitening', som normaliserer skalaen og kovariansgeometrien og stabiliserer optimeringen.
Eksperimenter viser, at AdvFD konsekvent forbedrer eftertræningen af én-trins-generatorer på tværs af forskellige modeller og størrelser. For en beslutningstager betyder dette, at man kan opnå hurtigere billedgenerering uden at gå på kompromis med kvaliteten – en afvejning, der ofte er kritisk i produktionsmiljøer, hvor hastighed og kvalitet begge er vigtige. Metoden er dog stadig på forskningsstadiet, og det er endnu uvist, hvor stor en praktisk forskel den gør i kommercielle systemer.
