几何感知时间重参数化的流图蒸馏方法
Get the story
2026年10月5日，arXiv Machine Learning Theory（一手来源）发表论文，提出一种用于Flow-Map蒸馏的几何感知时间重参数化方法。该方法为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，同时保留教师的几何路径与终端分布。论文称，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上的实验显示，在相同推理预算下，该方法优于恒等时间蒸馏，包括一步和两步图像生成质量的提升。目前报道仅涉及该论文内容，尚未见后续验证或独立复现结果。
Generated from reports · updated 16 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Machine Learning Theory用于 Flow-Map 蒸馏的几何感知时间重参数化
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。
Heat trend
Current heat 6·Comparable peak 10（Oct 5）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.