Hyper-SD 是一个针对扩散模型（Diffusion Models, DMs）推理加速的框架，全称为 Trajectory Segmented Consistency Model for Efficient Image Synthesis。其目标是缓解扩散模型多步推理带来的计算开销，同时尽量保持生成质量。
用途： Hyper-SD 主要用于加速基于扩散模型的图像合成，在低步数（1 至 8 步）推理下实现高质量图像生成。它适用于 SDXL 和 SD1.5 架构。
主要能力：
- 提出 Trajectory Segmented Consistency Distillation（轨迹分段一致性蒸馏），在预定义的时间步分段内逐步进行一致性蒸馏，从高阶角度保留原始 ODE 轨迹。
- 引入人类反馈学习，提升模型在低步数下的性能，并缓解蒸馏过程带来的性能损失。
- 集成分数蒸馏，进一步增强低步数生成能力，并首次尝试使用统一的 LoRA 支持所有步数的推理过程。
- 采用两阶段渐进一致性蒸馏：第一阶段在 [0, T/2] 和 [T/2, T] 两个时间段分别进行一致性蒸馏，获得两段一致性 ODE；第二阶段利用该 ODE 轨迹训练全局一致性模型。
- 在 SDXL 和 SD1.5 上，1 至 8 步推理均达到 SOTA 性能。例如，Hyper-SDXL 在 1 步推理时，CLIP Score 超过 SDXL-Lightning +0.68，Aes Score 超过 +0.51。
- 提供实时生成演示（Real-Time Generation Demo）。
- 发布统一 LoRA，兼容 ControlNet，示例条件包括 scribble 和 canny 图像。
- 定性比较显示，Hyper-SD 在 SDXL 和 SD15 架构上均优于其他基于 LoRA 的加速方法，并获得更多用户偏好。
使用方式： 资料中未提供具体安装命令或代码示例，仅提及提供实时生成演示。用户可访问官网 https://hyper-sd.github.io/ 查看演示。
适用场景： 适用于需要快速生成高质量图像的场景，尤其是基于 SDXL 或 SD1.5 的扩散模型推理加速。可结合 ControlNet 进行条件生成，支持 scribble 或 canny 等条件输入。
限制： 资料中未明确列出限制条件。性能数据基于特定实验和用户研究，实际效果可能因基础模型和配置而异。
