이산 확산 모델은 뛰어난 시각적 합성 능력을 보이지만 느린 반복 해독에 의존합니다. 본 논문에서는 고정점 반복(FPD)이라는 새로운 프레임워크를 소개하여 학생의 단일 단계 초안을 부분적으로 손상시키고 단일 교사 단계로 수정하는 로컬 수정 목표를 생성합니다. FPD는 기존의 증류 방법보다 효율적인 단일 단계 해독을 가능하게 합니다.
이산 토큰을 연속적인 특징으로 끌어올려 의미 있는 공간에서 훈련 목표를 계산하고, 반복적으로 이러한 수정 사항을 누적하는 다중 대역폭 드리프트 손실을 적용합니다. FPD는 기존의 이산 증류 기준 성능을 능가합니다.
FPD는 클래스 및 텍스트 조건부 생성을 모두 평가하여 시각적 충실도와 구조적 정렬을 달성하며, 여러 단계 교사 모델과의 격차를 좁힙니다.