arXiv · Machine Learning Theory· F\'elix Dedek, Makoto Yamada·· 16 小时前AI 评分30
用于 Flow-Map 蒸馏的几何感知时间重参数化
Geometry-Aware Time Reparameterization for Flow-Map Distillation
AI 导读
论文提出一种几何感知时间重参数化方法，为 Flow-Map 蒸馏中学生模型分配更多时间以学习教师生成 ODE 中法向加速度较大的轨迹段，同时保留教师几何路径与终端分布。该方法在蒸馏前一次性估计共享时钟，无需重新训练教师模型，也不增加学生参数或推理时的网络评估开销。在合成数据、CIFAR-10 和 CelebA-64 上，该方法在相同推理预算下优于恒等时间蒸馏，包括一步和两步图像生成质量提升。
来源：arXiv · Machine Learning Theory · arxiv.org