10:05arXiv cs.LG@Chen Wang, Peiran Yun, Pan Xie, Ke Deng现有扩散模型和连续流生成模型的确定性采样可视为求解学习到的ODE动力学,但准确离散化通常需要多步。论文指出轨迹匹配范式存在理论局限:两个学生模型可达到相同轨迹匹配损失却诱导不同端点边际分布,影响生成质量。为克服这一局限,提出边际对齐正则化器,通过追踪学生模型ODE沿线的对数密度变化并利用冻结教师模型评分来惩罚学生与教师边际分布的差异,无需辅助网络或对抗优化。该框架统一适用于原始再流和分段再流等再流族,并证明局部边际对齐通过 telescoping 总变差界控制最终时刻分布差异。在基准骨干网络上的实验验证了该方法在少步生成中的有效性。论文Reflow扩散模型蒸馏边际对齐生成模型推荐理由:这篇论文发现了再流蒸馏的隐藏问题——轨迹匹配可能不够,还提出了一个简单有效的边际对齐正则化,不用额外网络就能提升少步生成质量,值得做扩散加速的人看看。原文