超越评分：Proximal 拍摄模型

扩散模型迅速成为高维数据生成领域最流行且最强大的生成模型之一。其关键洞见在于：获取不同噪声水平下的得分——即对数密度梯度——可通过正向离散化求解逆时间随机微分方程 (SDE)，从而从数据分布中进行采样，且流行的去噪器可提供该得分的无偏估计。本文证明，使用 Proximal 图谱代替得分，对这些 SDE 进行反向离散化，具有理论和实际优势。我们利用近期的 Proximal 匹配结果学习对数密度的 Proximal 算子，并据此开发 Proximal 扩散模型 (ProxDM)。理论上，我们证明，$\widetilde{O}(d/\sqrt{\varepsilon})$ 步数足以使该离散化生成相对于 KL 散度的 $\varepsilon$ 精确分布。实证上，我们表明，两种 ProxDM 变体在仅少数采样步骤中即可显著快于常规得分匹配方法实现更快的收敛。