Dans cet article, nous proposons l'apprentissage par score de mélange (SMT), un nouveau cadre d'apprentissage de modèles génératifs en une étape, en minimisant une nouvelle divergence, appelée divergence Jensen-Shannon $\alpha$-skew. L'apprentissage par score de mélange vise à estimer les scores de la distribution de mélange entre échantillons réels et fictifs sous différents niveaux de bruit. À l'instar du modèle de cohérence, notre approche prend en charge à la fois l'apprentissage par score de mélange (SMT), qui est effectué à partir de zéro, et la distillation par score de mélange (SMD), qui est une distillation utilisant un modèle de diffusion pré-entraîné. Simple à mettre en œuvre, elle nécessite un réglage minimal des hyperparamètres et garantit un apprentissage stable. Les résultats expérimentaux obtenus sur CIFAR-10 et ImageNet 64x64 montrent que les approches SMT/SMD sont compétitives, voire supérieures, aux méthodes existantes.
