arXiv cs.AI· Saptarshi Roy, Alessandro Rinaldo, Purnamrita Sarkar·· 10 小时前AI 评分32
Rectified Flow 如何自动适应目标分布的低维结构:扩散与随机局部化视角
Low-Dimensional Adaptation of Rectified Flow: A Diffusion and Stochastic Localization Perspective
AI 导读
研究证明,Rectified Flow 采样器在精心设计的端点自适应时间离散方案下,迭代复杂度可达 O(k/ε),其中 k 为目标分布的内在维度。论文还建立了 DDPM 与随机局部化之间的新联系,证明 DDPM 等价于随机版本的 RF,并据此设计了同样适应低维结构的随机 RF 采样器,在合成数据与文生图实验中验证了新时间离散方案的效果。
正文 · AI 翻译
摘要:近年来,Rectified flow(RF)因其生成效率和最先进的性能而广受欢迎。本文研究了 RF 如何自动适应目标分布支撑集的固有低维性以加速采样。我们表明,使用精心设计的端点自适应时间离散化方案,并在漂移估计足够准确的情况下,RF 采样器具有 $O(k/\varepsilon)$ 量级的迭代复杂度(忽略对数因子),其中 $\varepsilon$ 是全变差距离下的精度,$k$ 是目标分布的固有维度。此外,我们通过建立这些过程与随机局部化之间的新联系,表明去噪扩散概率模型(DDPM)过程等价于 RF 的随机版本。基于这一联系,我们进一步设计了一种随机 RF 采样器,该采样器在对漂移估计精度的温和要求下,也能适应目标分布的低维性,并且具有特定的时间调度。我们通过合成数据和文本到图像(T2I)数据实验的模拟,说明了新设计的时间离散化调度的有效性。
| 评论: | 48 页,7 幅图 |
| 主题: | 机器学习(stat.ML);人工智能(cs.AI);机器学习(cs.LG);统计理论(math.ST) |
| 引用为: | arXiv:2601.15500 [stat.ML] |
| (或 arXiv:2601.15500v5 [stat.ML] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2601.15500 由 DataCite 颁发的 arXiv DOI |
提交历史
来自:Saptarshi Roy [查看电子邮件]
[v1]
2026 年 1 月 21 日星期三 22:09:27 UTC(7,148 KB)
[v2]
2026 年 2 月 3 日星期二 19:21:19 UTC(7,424 KB)
[v3]
2026 年 2 月 20 日星期五 22:57:16 UTC(7,424 KB)
[v4]
2026 年 11 月 1 日星期日 12:54:11 UTC(11,416 KB)
[v5]
2026 年 11 月 18 日星期三 18:32:58 UTC(11,408 KB)
来源:arXiv cs.AI · arxiv.org