我院软件学院硕士研究生王云朋的论文“Consistency- GAN: Training GANs with Consistency Model”被国际先进人工智能协会（The Association for the Advancement of Artificial Intelligence，以下简称AAAI）第38届年会接收。王云朋为论文第一作者，南昌大学饶泓教授，特聘教授庞孟和河南大学陈盛博教授为共同通讯作者、南昌大学为第一署名单位，这也是我院硕士研究生首次在CCF A类国际会议发表论文。

AAAI会议始于1979年，是人工智能领域的顶级国际会议，由美国人工智能促进协会AAAI（Association for the Advancement of Artificial Intelligence）主办，旨在推动人工智能领域的研究和应用，增进大众对人工智能的了解。AAAI是中国计算机学会推荐A类会议（CCF-A），也是Core Conference Ranking推荐A*类会议，影响因子（IF）值：25.57。AAAI会议主要涉及人工智能、机器学习、理论计算机科学、自然语言处理和数学优化等主题。

AAAI-24会议于2月20日-2月27日在加拿大温哥华举办，王云朋参加了此次会议，并进行了报告和海报展示。此次参会扩大了南昌大学在计算机学科的国际影响力，论文的录用也标志着南昌大学软件学院硕士研究生培养水平更上一个台阶。

AAAI第三十八届年会

AAAI会议现场及论文海报

该论文聚焦生成式学习任务的模型性能问题，首次提出了使用一致性映射模块稳定对抗训练过程的方法。一致性映射模块向样本中加入实例噪声在保证生成样本的多样性的同时，又能更好地避免模式崩溃，从而稳定对抗训练过程；该方法同时解决了用传统扩散模型做生成任务时采样速度较慢的问题，在保证样本质量的前提下降低了计算成本，提升模型收敛速度。

论文模型 Consistency-GAN 包含三个模块：(1) 用于将实例噪声混合进真实分布和生成分布的 Consistency Mapping 模块。(2) 用于输出生成分布的 generator 模块。(3) 可以根据噪声水平区分真实分布和生成分布的 discriminator 模块。引入Consistency Mapping 模块提供一种有效的方法，只需较少的几步（Number of Function Evaluation）即可通过一致性映射将实例噪声添加到 GAN 的真实分布和生成分布中。一致性映射模块是一个可以将概率流常微分方程（PF ODE）扩散轨迹上的点映射回原点的映射网络，通过它实现在原始数据分布和噪声扰动数据分布之间的可逆映射。这种点到点的映射网络能够极大的缩减通过迭代生成过程学习扩散轨迹所需的时间和计算成本。通过在训练 GAN 的生成器和判别器的过程中往原始数据和生成数据中加入噪声，同时允许根据映射步数动态调整噪声注入水平。算法流程如下：