CARV：扩散教师梯度方差缩减框架

Jesse Bettencourt 等作者提出 CARV，一个计算感知的方差核算框架，把扩散教师梯度估计建模为带非对称层级成本的两阶段采样问题，用分层蒙特卡洛估计复用昂贵上游计算，并结合时间步重要性采样与分层逆 CDF 采样降低方差。 作者称，在 text-to-3D 与数据归因任务上，CARV 带来 2 至 3 倍有效计算加速且不改变优化目标；在单步蒸馏中梯度方差降低一个数量级，但下游 FID 未改善。

AI 根据报道生成 · 49 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。