引言
在人工智能的图像生成领域，追求更高的效率和更优的图像质量是永恒的主题。最近，清华大学交叉信息科学研究院推出的LCM（Latent Consistency Models）在这两个方面都取得了显著的突破，尤其是在提升出图效率方面，实现了重要的进展。
技术特点
LCM的核心创新在于其潜在一致性架构。这一架构通过在潜空间进行图像处理，显著减少了所需处理的数据量，从而大幅提升了图像生成的速度。这种方法不仅加快了生成速度，还保持了图像的高分辨率和细节质量。
性能与评估
在性能方面，LCM展现出了卓越的效率。据实验数据显示，LCM在图像生成过程中，所需的算力比传统模型减少了约50%。这一显著的性能提升，使得LCM在处理大规模图像数据时更加高效。同时，LCM在图像质量上也有所提升，其出图效果已经大幅优于许多现有模型。
LCM 强调的是不要再一步步迭代了， 直接追求“一步到位”。LCM 是在 Consistency Models 的基础上引入了 Lantent Space （潜空间），进一步压缩需要处理的数据量，从而实现超快速的图像推理合成。只需要 2-4 步即可完成！
可以先来看看效果图：
4 步效果图
2 步效果图
1 步效果图
潜在应用场景
LCM的应用场景非常广泛。在娱乐行业，LCM可以用于快速生成游戏场景和角色；在专业设计领域，它可以帮助设计师快速构思和实现创意；在教育和科研中，LCM能够辅助进行图像分析和数据可视化。
基于Dreamshaper-V7大模型使用
目前官网只提供了Dreamshaper-V7和LCM-SDXL，2 款可以在Stable Diffusion中使用的模型，并且需要安装 LCM 插件。
-
lcm-sdxl: huggingface.co/latent-cons…
如果huggingface模型无法下载，可通过国内镜像站下载
基于LCM-LoRA 使用 可以参考juejin.cn/post/730423…
