DMA$^2$：具有对抗性和锚定损失的像素空间分布匹配

分布匹配蒸馏（DMD）为少步扩散生成提供了通用框架，但其现代文本到图像实例化主要是围绕潜在扩散开发的。因此，它忽略了原生 RGB 的关键属性和设计机会。我们为像素空间教师重新审视了两个 DMD 接口。在教师匹配方面，诊断显示低噪声 RGB 匹配由局部纹理提示主导，从而激发固定的高噪声匹配带。在真实数据方面，原生干净 RGB 输出允许来自外部视觉表示的指导，而无需遍历解码器或共享严重的假分数评论家。 DINO-Adv 将这个批评者从对抗性梯度路径中移除，并提供局部参数化补丁指导。对于分布级指导，我们引入了 AF-Loss，这是一种专为文本到图像 DMD 设计的无参数辅助语义分布场目标。它在共享 DINOv2 空间中的独立滚动真实和生成支持上运行，同时保留即时调节的教师监督。 AF-Loss 不添加可学习参数或推理时间计算。这些设计共同构成 DMA$^2$。在 DPG-Bench、GenEval、VQAScore 和 COCO30K 中，四步 DMA$^2$ 学生的表现优于 25 步教师并评估了几步蒸馏器。