基于 Wasserstein 梯度流的数据免费单步采样统一框架
计算机视觉与模式识别
2026-05-19 v1 人工智能
摘要
我们构建了一种统一的理论框架，用于从非标准目标分布中进行数据免费单步采样，基于 Wasserstein 梯度流。对于广泛的标准 f-divergence 目标，我们证明诱导的速度场可接受通用形式 V(x) = w(r(x)) β(x)，其中 β(x) = ∇ log(p(x)/q(x)) 在目标之间共享，w 仅由发生器选择决定。该分解表明标准 f-divergence 漂移具有相同的渐近目标分布 p，主要区别在于如何在未充分覆盖区域重新分配瞬时修复资源。为正式化化此区别，我们推导了软未覆盖功能的一阶区域响应理论，获得将发生器选择与未覆盖区域质量输运几何联系起来的压缩-弹性身份式。我们进一步将框架扩展到 Log-Variance（LV）发生器，分析参考分布如何改变结果漂移结构，并提出一种数据免费训练的实用 LV 启发代理。基于该理论，我们以 KDE 为基础实现框架，描述一种互补的正规化流路线，实现训练后单步推断。在多模态高斯混合基准实验中，结果与理论预测一致，表明在这些目标上实现有效的单步采样。
引用
@article{arxiv.2605.17807,
title = {Curriculum Group Policy Optimization: Adaptive Sampling for Unleashing the Potential of Text-to-Image Generation},
author = {Baoteng Li and Xianghao Zang and Xinran Wang and Xiangyu Na and Zhixiang He and Hao Sun and Chi Zhang and Zhongjiang He and Tianwei Cao and Kongming Liang and Zhanyu Ma},
journal= {arXiv preprint arXiv:2605.17807},
year = {2026}
}