本研究提出了尺度蒸馏框架SwD，以提高扩散模型的计算效率。SwD通过低分辨率生成样本并逐步提升分辨率，显著降低了计算成本，实验结果表明其在文本到图像的扩散模型中优于对比方法。

本文介绍了YONOS-SR，一种通过单次DDIM步骤实现图像超分辨率的新方法。采用尺度蒸馏，将问题简化为在小尺度上训练教师模型，再逐步训练学生模型到目标尺度。实验显示，该方法比直接高尺度训练更优，推断步骤更少。通过冻结U-Net并微调解码器，结合空间蒸馏，实现了优于传统方法的性能。

本文介绍了YONOS-SR，一种新的稳定的基于扩散的图像超分辨率方法。通过尺度蒸馏方法训练SR模型，蒸馏模型明显优于直接训练高放大尺度的模型。使用只需一步的扩散模型可以冻结U-Net并微调解码器。经过空间蒸馏的U-Net和经过微调的解码器的组合比需要200步的最先进方法更优越。