超线性扩散逆袭！几乎全网格击败OU基线，Wasserstein距离更稳
Ornstein-Uhlenbeck Is Hard to Beat, Yet Superlinear Drift Ships Lower Transport Costs
📖 AI 总结
这篇论文检验了Ornstein-Uhlenbeck扩散在生成建模中"难以超越"这一结论的普适性。此前Brešar与Mijatović的研究表明，在前向收敛意义下OU扩散具有优势，但其假设排除了超线性漂移的情形。作者转而针对基于分数的图像生成任务，测试了带超线性漂移的Langevin扩散，并通过Fokker-Planck方程数值计算其条件分数。实验结果显示，在几乎整个测试网格上，超线性模型在经验Wasserstein距离指标上均优于OU基线，且在不同扩散时间跨度下的表现波动更小。这一发现表明，OU扩散"难以超越"的判断并非普遍成立，超线性漂移在特定生成任务中反而能带来更低的传输成本，为扩散模型的设计提供了新的思路。
🔑 关键词速览
| Ornstein-Uhlenbeck 扩散 | 一种具有线性漂移的随机过程，常用于扩散模型作为参考基线。 |
| 超线性漂移 | 漂移项随状态变量增长快于线性的随机微分方程设定，本文重点研究其生成性能。 |
| Fokker-Planck 方程 | 描述概率密度随时间的演化方程，本文用于数值计算条件分数。 |
| 基于分数的图像生成 | 利用分数函数（对数密度的梯度）进行采样的生成模型方法。 |
| Wasserstein 距离 | 衡量两个概率分布之间差异的度量，本文用作评估生成质量的指标。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅