通用原型流网络

本文引入了General Proximal Flow Networks（GPFNs），其是Bayesian Flow Networks的泛化，拓宽了可接受信念更新算子的类别。在Bayesian Flow Networks中，每个更新步骤都是贝叶斯后验更新，这等效于以Kullback-Leibler散度为准则的原型步骤。GPFNs将这种固定选择替换为任意散度或距离函数，如Wasserstein距离，构建一种统一的原型算子框架用于迭代生成模型。推导了相应的训练和抽样程序，建立了与原型优化的正式联系，并可恢复标准BFN更新作为一种特殊情况。经验评估表明，根据数据几何结构调整散度可在生成质量上实现可衡量的改进，突显了该更广泛框架的实际优势。