动作启发的生成模型

我们引入了动作启发的生成模型（Action-Inspired Generative Models, AGMs），这是一种双网络生成框架。其动机源于以下观察：现有的桥匹配方法对传输场景中的每个随机转移赋予均匀的回归权重，而无论给定的桥样本是位于结构连贯的轨迹上还是退化的轨迹上。我们通过引入一个轻量级的可学习标量势 $V_\phi$ 来解决这一问题，该势函数在线对桥样本进行评分，并通过由停止梯度屏障导出的重要性权重来调节漂移目标——这防止了两个网络之间的对抗性反馈，同时保留了 $V_\phi$ 的引导信号。关键在于，$V_\phi$ 仅包含主漂移网络约 1.4% 的参数量，不增加推理图的任何开销，且不需要迭代半桥拟合或辅助随机微分方程（SDE）求解器：它是对任何桥匹配训练循环的即插即用增强。在推理时，$V_\phi$ 被完全丢弃，仅保留对指数移动平均（EMA）漂移的标准 Euler-Maruyama 积分。我们证明，通过学习到的势函数选择性惩罚无信息量的传输路径，在保真度和覆盖率指标上均带来生成质量的一致提升。