https://laisky.notion.site/SDXL-in-4-steps-with-Latent-Consistency-LoRAs-3baba49183874166ad5fece67b4d066e?pvs=4
此文从使用上简要介绍了 stable diffusion LCM LoRA 蒸馏模型（distillation），还提供了可运行的 python 代码。
简而言之，蒸馏模型就是在原有大模型的基础上训练出一个更小更快的模型，而且其输出效果和大模型接近。过去蒸馏模型都是定制化的，而 LCM 是一个通用型的蒸馏模型，你可以指定任何一个预训练的模型，然后套上 LCM 来使用。
LCM 可以在更少的步数（steps）上实现和原模型相近的效果，大幅缩短推理耗时。
此文从使用上简要介绍了 stable diffusion LCM LoRA 蒸馏模型（distillation），还提供了可运行的 python 代码。
简而言之，蒸馏模型就是在原有大模型的基础上训练出一个更小更快的模型，而且其输出效果和大模型接近。过去蒸馏模型都是定制化的，而 LCM 是一个通用型的蒸馏模型，你可以指定任何一个预训练的模型，然后套上 LCM 来使用。
LCM 可以在更少的步数（steps）上实现和原模型相近的效果，大幅缩短推理耗时。
Laisky on Notion
SDXL in 4 steps with Latent Consistency LoRAs | Notion
Latent Consistency Models (LCM) are a way to decrease the number of steps required to generate an image with Stable Diffusion (or SDXL) by distilling the original model into another version that requires fewer steps (4 to 8 instead of the original 25 to 50).…