通过黎曼 Wasserstein 梯度流的一步生成

最近，Drifting Models 和 Wasserstein 梯度 Flows 引起了广泛关注，因为它们将迭代分布细化转移到训练并将其分摊到生成器中，从而实现快速推理。然而，现有的公式主要是针对连续欧几里得域（例如图像空间）开发的，其中粒子允许不受约束的附加更新。在受限空间上，这些更新可能会离开有效域或忽略其几何形状，从而使它们不适合训练的目标。最近的工作对这些空间进行了更新，但侧重于特定领域或提供有限的实证比较。我们在一步生成器的通用训练框架内推导并比较了几个几何感知字段。我们在不同结构的数据上测试该方法，并在每种设置中获得有竞争力的一步结果。表现最好的领域因任务而异，这说明了为什么目标的选择在实践中很重要。