强随机流图

流动和扩散模型以多种方式生成高质量样本；然而，由于基础微分方程的数值积分，在推理过程中需要进行许多网络评估。流图通过直接学习微分方程的解图来缓解这个问题，从而实现少步采样。然而，当前的方法仅限于近似 ODE 的解图。这些方法可用于学习 SDE 的转移核，从而获得恢复过程边缘分布（弱收敛）而不是解路径（强收敛）的解图。我们提出强随机流图（SSFM）作为学习加性噪声 SDE 强解图的新颖框架，直接将确定性流图推广到随机设置。此外，引入了布朗运动的多项式近似，并显示其沿路径收敛。这些结果为扩散模型的解图提供了无模拟的训练目标。我们证明 SSFM 在图像生成方面优于以前的随机流图方法，并且能够对分子系统进行几步采样。