潜变量迭代精化流：面向少样本生成的几何约束方法
机器学习
2026-02-02 v2
摘要
在有限数据上训练的扩散和流匹配模型往往倾向于记忆训练数据而非泛化，导致多样性严重降低。在本文中，我们提供了一种动力学视角，并将这种坍缩至记忆现象识别为速度场坍缩的后果，其中学习到的场退化为孤立的点吸引子并捕获采样轨迹。受这一新视角启发，我们提出了潜变量迭代精化流（LIRF），一个面向有限数据 regime 中从头训练扩散模型的几何感知框架。通过利用语义对齐潜变量空间的内在几何结构，LIRF 通过生成-校正-增强的闭环逐步稠密化训练数据流形，从而有效解决速度场坍缩问题。我们还为该流形稠密化过程的收敛性提供了理论保证。在 FFHQ 子集和少样本数据集上的实验表明，LIRF 在有限数据生成方面优于现有扩散模型，实现了显著更高的多样性和召回率，同时保持了良好的生成性能。
引用
@article{arxiv.2509.19903,
title = {Latent Iterative Refinement Flow: A Geometric Constrained Approach for Few-Shot Generation},
author = {Songtao Li and Tianqi Hou and Zhenyu Liao and Ting Gao},
journal= {arXiv preprint arXiv:2509.19903},
year = {2026}
}