.png){kind=icon}
返回
Partial-Path Rectification in Diffusion Sampling
.png){kind=icon}
PRE
AI
DOI：10.1109/tmm.2026.3718271.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
扩散模型（DMs）在现代生成建模中取得了显著成功，但其固有的缓慢采样过程限制了实际部署。尽管近期进展大幅加速了采样，但现有方法仍制约了少步生成的能力，因为它们通常依赖预训练生成器构建训练图像对，不可避免地累积误差，从而降低建模性能。为缓解此问题，我们提出了一种新颖的部分路径校正框架，将完整传输路径分解为两个子路径，以构建真实图像对指导训练。具体而言，第一个子路径利用这些数据锚定对进行优化，而第二个子路径通过一致性训练策略与第一个子路径对齐，该策略强制速度场一致性，生成统一的连续采样路径。通过此设计，本框架在实现显著一步生成性能的同时，允许图像质量和采样效率之间的平滑权衡。在四个基准数据集上的大量实验验证了所提方法的有效性。
Keyword:
Diffusion models
flow matching
few-step sampling
error accumulation
partial-path rectification
期刊
IF:
9.7
论文数:
5.2K
被引数:
2.8W
机构
引用论文
.png){kind=icon}
查看更多内容