DPAC：扩散采样中的分布保持对抗控制
计算机视觉与模式识别
2026-03-06 v2 人工智能
机器学习
摘要
对抗引导的扩散采样通常能实现目标类别，但随着对抗控制轨迹与原始轨迹之间的偏差累积，样本质量会下降。我们通过Girsanov定理形式化了这种降解为受控扩散过程与非受控扩散过程之间路径空间KL散度（path-KL），并证明其恰等于控制能量。基于此随机最优控制（SOC）视角，我们理论上证明最小化该path-KL同时紧密控制2-Wasserstein距离和Fréchet Inception Distance（FID）的上界，揭示了对抗控制能量与感知保真度之间的原则性联系。从变分视角出发，我们推导出控制的一阶最优条件：在所有产生相同分类增益的方向中，导致该分类增益的分量中，与等对数密度曲面（即正交于得分）的切向分量最小化path-KL，而法向分量直接增加分布漂移。由此导致DPAC（Distribution-Preserving Adversarial Control），即将对抗梯度投影到由生成得分几何定义的切空间上的扩散指导规则。我们进一步表明在离散求解器中，切向投影消除了Wasserstein距离中的O(Δt)主导误差项，实现O(Δt²)的质量差距；且对得分或度量近似仍具有二阶鲁棒性。在ImageNet-100上的实证研究验证了理论预测，确认DPAC在匹配攻击成功率下实现更低的FID和估计path-KL。
引用
@article{arxiv.2512.01153,
title = {DPAC: Distribution-Preserving Adversarial Control for Diffusion Sampling},
author = {Han-Jin Lee and Han-Ju Lee and Jin-Seong Kim and Seok-Hwan Choi},
journal= {arXiv preprint arXiv:2512.01153},
year = {2026}
}