过滤后均值集合：面向扩散模型泛化的统一分析框架
机器学习
2026-05-26 v1 人工智能
计算机视觉与模式识别
摘要
构成图像扩散模型 backbone 的神经网络去噪函数在广泛的网络架构和训练过程超参数范围内表现出惊人的一致的泛化行为。近期的研究尝试通过聚合训练数据块的后验加权平均来建模这些网络的输出。在本工作中，我们将这些方法整合为一个统一的模型类，称为过滤后均值集合 (Filtered Posterior Mean Collections, FPMCs)。我们使用查询精度向量、响应权重和源分布定义了该模型类，并说明特定选择这些设计轴即可恢复现有方法。逐一考察每个轴，我们发现通过软化先验基于块的方法以及对源分布的扩展可提升 FPMC 的性能。将这些发现应用于现有的 FPMC 上，我们在三个自然图像数据集上实现了持续的样本改进。
引用
@article{arxiv.2605.24192,
title = {Filtered Posterior Mean Collections: A Unified Framework for Analytical Models of Diffusion Generalization},
author = {Matthew Niedoba and Berend Zwartsenberg and Frank Wood},
journal= {arXiv preprint arXiv:2605.24192},
year = {2026}
}
备注
27 Pages, 7 figures