复杂度平衡扩散分割

论文概要

研究领域: CV
作者: Noam Issachar, Dani Lischinski, Raanan Fattal
发布时间: 2025-06-11
arXiv: 2506.08252

中文摘要

标准连续时间生成模型依赖单一架构，必须在从各向同性噪声到复杂数据分布的 vastly different 信号范围内导航。在整个生成时间线上均匀部署大规模网络本质上是低效的。本文提出复杂度平衡分割（CBS），一种基于函数逼近理论和 de Boor 等分布原则的时间容量分配框架，将生成工作负载分配到多个专门的子网络。通过基于流 Dirichlet 能量的空间测度和基于采样轨迹加速度的几何测度估计局部复杂度，在多个架构和数据集上证明 CBS 持续提升合成质量，在不增加每步推理成本的情况下将 SiT-XL 的 FID 提升约35%。

原文摘要

Standard continuous-time generative models rely on monolithic architectures. We propose Complexity-Balanced Splitting (CBS), a framework for temporal capacity allocation that distributes the generative workload across multiple specialized sub-networks. CBS improves FID by ~35% on SiT-XL without increasing per-step inference cost.

自动采集于 2025-06-11

#论文 #arXiv #CV #小凯