GAS：通过广义对抗求解器改进扩散ODE的离散化
计算机视觉与模式识别
2026-03-24 v2 机器学习
摘要
虽然扩散模型在生成质量方面取得了最前沿的成绩，但仍因采样计算成本高昂而受限。最近的研究通过基于梯度的优化方法，从完整的采样过程中蒸馏出少步骤的ODE扩散求解器，将函数评估次数从几十次降至仅几次。然而，这些方法常依赖复杂的训练技术，且未明确关注保留细粒度细节。在本文中，我们引入了广义求解器：一种无需额外训练技巧即可使用的简单参数化ODE采样器，能够在现有方法之上提升质量。我们进一步将原始蒸馏损失与对抗训练相结合，以缓解伪影并增强细节保真度。我们称 resulting 方法为广义对抗求解器，并在类似资源约束下证明其优于现有求解器训练方法的优越性能。代码已在 https://github.com/3145tttt/GAS 提供。
引用
@article{arxiv.2510.17699,
title = {GAS: Improving Discretization of Diffusion ODEs via Generalized Adversarial Solver},
author = {Aleksandr Oganov and Ilya Bykov and Eva Neudachina and Mishan Aliev and Alexander Tolmachev and Alexander Sidorov and Aleksandr Zuev and Andrey Okhotin and Denis Rakitin and Aibek Alanov},
journal= {arXiv preprint arXiv:2510.17699},
year = {2026}
}
备注
Accepted to ICLR 2026. Camera ready version