跳到主要内容
检索

# 一步生成建模

4 篇关联报道

订阅更新
  1. arXiv

    交通预测不再逐步采样:CoReFlow一次前向出完整预测,四个路网数据集上12项点指标赢下11项

    概率交通预测长期依赖扩散模型的多步采样,推理慢,点预测精度还常落后于确定性基线。CoReFlow把概率流常微分方程的解算子——流映射——直接学出来,并用条件均值放松轨迹一致性约束,使一次前向即可生成完整预测。在PEMS03、PEMS04、PEMS07、PEMS08四个真实路网数据集上,它在12项确定性指标中11项居首,并在PEMS07与PEMS08的生成式对比中取得全部14项最优。

  2. arXiv

    少步数文生图补上特征矩约束:Z-Image-Turbo 两次评估中文长文本达94.25%

    少步数文生图要在极少采样次数里把提示中的细节画准,而分布匹配蒸馏(DMD)依赖学习到的分数差,统计量未必对齐。Intrinsic Distribution Matching 在保留完整 DMD 修正的同时,用生成器指数滑动平均副本的特征均值与逐坐标标准差加了一项矩约束,不需要外部特征编码器。在 Z-Image-Turbo 6B 上两次网络评估时,中文与英文 LongText-Bench 分别达到 94.25% 和 90.20%,为所比较方法中该预算下的最高分。

  3. arXiv

    一步生成不再被小批量比例拖偏:把硬性边缘约束换成软惩罚,CIFAR-10 的 FID 从 8.10 降到 4.51

    UW-Flow 把 W-Flow 的平衡 Sinkhorn 能量换成去偏非平衡 Sinkhorn 散度,在有限小批量下降低速度场误差,并在 MNIST、CIFAR-10 与 ImageNet-100 的匹配训练预算下改善生成质量。

  4. arXiv

    RWTD 用奖励加权传输蒸馏把一步生成器的 GenEval 从 0.73 提到 0.80

    该工作提出奖励加权传输蒸馏(RWTD),一种只需生成样本与标量奖励评估的一步生成器后训练方法,它把当前模型与参考模型各自的奖励倾斜分布混合成自适应目标,并用特征空间最优传输与不动点回归实现,在一步 SANA Sprint 1.6B 上把 GenEval 从 0.73 提升到 0.80,并在偏好对齐实验中表现出跨奖励泛化。

已读完全部报道