The Pulse
L’NTM di Apple genera immagini in quattro passaggi con verosimiglianza esatta
I ricercatori di Apple presentano Normalizing Trajectory Models, un metodo generativo che rappresenta ogni transizione di denoising come un flusso normalizzante condizionale. Secondo i risultati riportati, il modello genera immagini a parti
AI.info Team · Scritto con l’IA ·
I ricercatori di Apple affrontano un punto debole della generazione rapida di immagini: i modelli di diffusione possono produrre immagini in meno passaggi, ma comprimere molte piccole operazioni di denoising in poche operazioni più ampie rende meno accurata la consueta ipotesi di transizioni gaussiane. L’alternativa proposta, Normalizing Trajectory Models (NTM), rappresenta ogni passaggio inverso con un flusso normalizzante condizionale, con l’obiettivo di conservare la rapidità della generazione in pochi passaggi senza rinunciare alla verosimiglianza esatta della traiettoria modellata.
Il paper è stato inviato ad arXiv l’8 maggio 2026 e la pagina di ricerca di Apple lo indica come pubblicato a ottobre. Gli autori riferiscono che NTM genera immagini a partire da prompt testuali in quattro passaggi di campionamento, con risultati pari o superiori a quelli di alcuni modelli di riferimento per la generazione di immagini nei benchmark esaminati. Si tratta di un risultato di ricerca, non della prova che Apple abbia lanciato un prodotto o dimostrato un vantaggio di velocità nelle applicazioni destinate ai consumatori.
Perché quattro ampi passaggi di denoising pongono un problema
Il campionamento standard dei modelli di diffusione trasforma gradualmente il rumore in un’immagine attraverso una sequenza di passaggi di denoising. Ogni transizione inversa è comunemente rappresentata come una distribuzione gaussiana. Secondo il paper, questa approssimazione diventa meno adatta quando il campionamento impiega meno transizioni, ma più ampie: la vera distribuzione inversa può essere multimodale, mentre una singola gaussiana ha una capacità limitata di rappresentare queste alternative.
NTM modifica il modello delle transizioni, anziché limitarsi a chiedere a un metodo di campionamento convenzionale di compiere salti più lunghi. Un «transporter» invertibile mappa le immagini in una rappresentazione latente, dove un predittore modella la transizione con una distribuzione gaussiana; la mappatura invertibile permette di calcolare le verosimiglianze esatte mediante la formula del cambio di variabili. Secondo il paper, il modello può essere addestrato da zero oppure inizializzato a partire da un modello di flow matching preaddestrato.
«Nei benchmark di generazione di immagini da testo, NTM eguaglia o supera solidi modelli di riferimento per la generazione di immagini in appena quattro passaggi di campionamento, conservando, a differenza degli altri, la verosimiglianza esatta lungo la traiettoria generativa.»
Jiatao Gu et al., «Normalizing Trajectory Models»
Quattro passaggi, con risultati diversi a seconda del test
Per la generazione di immagini da testo con addestramento da zero e risoluzione di 256 per 256, i ricercatori riportano un punteggio di 0,82 su GenEval e di 79,64 su DPG-Bench usando quattro passaggi. Confrontano il risultato su GenEval con lo 0,56 di STARFlow, un precedente modello a flusso normalizzante che, secondo il paper, usa 256 passaggi autoregressivi. Il paper riporta inoltre che una versione sottoposta a fine-tuning con risoluzione di 512 per 512 ottiene 0,76 su GenEval e 83,38 su DPG-Bench.
Un test separato su ImageNet, condizionato alla classe, misura un compito diverso. In questo caso NTM registra un punteggio FID di 3,83 con quattro passaggi e di 2,80 con 16 passaggi; il paper confronta questi risultati con il punteggio FID di 2,67 ottenuto da STARFlow usando 256 passaggi autoregressivi. I risultati indicano un compromesso: l’esecuzione di NTM in quattro passaggi è molto più breve in termini di numero di passaggi, ma il suo punteggio FID è più alto rispetto a quello di STARFlow nel confronto. Questi dati dei benchmark non dimostrano, di per sé, che tempi di esecuzione, risorse computazionali impiegate o qualità delle immagini siano equivalenti in ogni caso d’uso.
Il limite del modello è il caso a un solo passaggio
Le prestazioni di NTM non continuano a migliorare semplicemente accorciando ulteriormente la traiettoria. Gli autori riferiscono che la generazione in un solo passaggio produce immagini gravemente degradate: con una sola transizione, il transporter poco profondo deve farsi carico di una parte eccessiva della complessità della distribuzione e il predittore non dispone di una traiettoria articolata in più passaggi su cui operare. Indicano da quattro a otto passaggi come l’intervallo in cui il modello è efficace, senza sostenere che NTM elimini la generazione iterativa.
Il paper descrive anche un modello di denoising addestrato a condensare il perfezionamento basato sulla traiettoria in un’unica passata in avanti. Nella configurazione sottoposta a fine-tuning, gli autori riportano 1,88 immagini al secondo per l’approccio che combina predittore e modello di denoising, contro 0,20 immagini al secondo per il metodo completo basato su flusso normalizzante e denoising della traiettoria, insieme a un punteggio LPIPS di 0,121. Questi dati descrivono la configurazione testata nel paper; non dimostrano quali siano le prestazioni sui dispositivi Apple o in un sistema di generazione di immagini distribuito agli utenti.
La verosimiglianza esatta comporta un compromesso sulla qualità
Il contributo di NTM non consiste soltanto nella riduzione del numero di passaggi. La tesi centrale è che una transizione espressiva e invertibile possa preservare la verosimiglianza esatta della traiettoria e al tempo stesso consentire la generazione di immagini in quattro passaggi: una combinazione che, secondo gli autori, i precedenti metodi a pochi passaggi non offrivano. Anche i risultati dello studio ne definiscono i limiti: i migliori punteggi riportati per la generazione di immagini da testo variano in base alla risoluzione e all’approccio di addestramento, alcuni compiti relativi alla posizione e all’associazione degli attributi restano difficili e la qualità delle immagini prodotte in un solo passaggio peggiora nettamente.
Per ora, il paper presenta un metodo di ricerca valutato tramite benchmark, non un sostituto generale del campionamento dei modelli di diffusione. Il limite più netto è quello indicato dagli stessi autori: NTM funziona meglio tra quattro e otto passaggi, mentre la versione a un solo passaggio produce immagini gravemente degradate.