无需训练！FlowBudget直接估算流匹配模型采样预算，省去昂贵FID扫描
FlowBudget: Training-Free Sampling-Budget Estimation for Flow Matching Models
📖 AI 总结
本文提出FlowBudget，一种无需训练的采样预算估计方法，用于流匹配模型的推理加速。流匹配模型依赖数值ODE或SDE积分采样，推理成本由函数评估次数（NFE）决定，而现有实践中采样预算通常沿用先前工作设定，或通过昂贵的FID-NFE扫描反复生成并评估样本来确定。FlowBudget针对固定预训练模型与求解器，回答"多少数值分辨率才足够"这一问题：它利用无仿真的插值探针探测学习到的动力学，将主导的单步离散化误差按运动量归一化，从插值探针估计其系数，再依据求解器阶数将数值容差映射为步数预算。作者为欧拉法、Heun法（ODE采样）及加性噪声欧拉-丸山法（SDE采样）推导了估计器，并将ODE系数与终端积分误差关联。在SiT、FlowDCN和Rectified Flow模型上的实验表明，该方法无需在多个预算下生成样本或进行FID-NFE扫描即可估计NFE预算，为流匹配模型的采样成本控制提供了免训练、低开销的实用方案。
🔑 关键词速览
| Flow Matching | 一种生成建模方法，通过匹配概率流来训练连续时间生成模型。 |
| NFE | 函数评估次数，衡量采样过程中计算成本的指标。 |
| FID | Fréchet Inception Distance，用于评估生成图像质量的常用指标。 |
| ODE/SDE | 常微分方程/随机微分方程，用于描述连续时间动态系统的数学工具。 |
| Euler--Maruyama | 一种用于求解随机微分方程的数值方法。 |
📱 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