SFBD Flow：一种用于含噪声样本扩散模型训练的连续优化框架
机器学习
2026-04-07 v2
摘要
扩散模型实现了强大的生成性能，但通常依赖于可能包含敏感内容的大型数据集。模型记忆训练数据的倾向加剧了这一挑战，引发了隐私担忧。SFBD (Lu et al., 2025) 通过在损坏的数据上进行训练并使用有限的干净样本来捕捉局部结构和改善收敛来解决此问题。然而，其迭代去噪和微调循环需要人工协调，使得实现负担沉重。我们将 SFBD 重新解释为交替投影算法，并引入了一种连续变体 SFBD flow，消除了对交替步骤的需求。我们进一步展示了其与基于一致性约束方法的联系，并证明了其实际实例化 Online SFBD 在各项基准上始终优于强基线。
引用
@article{arxiv.2506.02371,
title = {SFBD Flow: A Continuous-Optimization Framework for Training Diffusion Models with Noisy Samples},
author = {Haoye Lu and Darren Lo and Yaoliang Yu},
journal= {arXiv preprint arXiv:2506.02371},
year = {2026}
}