Complexity-Balanced Diffusion Splitting

论文概要

研究领域: CV 作者: Noam Issachar, Dani Lischinski, Raanan Fattal 发布时间: 2026-06-04 arXiv: 2606.06477

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截然不同信号体制间导航。虽然扩大模型容量提升性能，但在整个生成时间线上均匀部署庞大网络本质上低效。本文提出Complexity-Balanced Splitting (CBS)，一种时间容量分配原则性框架，将生成工作负载分布到多个专门子网络。基于函数逼近理论和de Boor等分布原理，CBS将扩散时间线划分为等逼近负担的段，在生成动力学更难建模的区域分配更多表示容量。为估计局部复杂度，我们引入两种互补且可处理的监控函数：基于流Dirichlet能量的空间度量，和基于采样轨迹加速度的几何度量。使用轻量级辅助模型估计这些复杂度轮廓，我们的方法消除了启发式时间分割或昂贵搜索程序的需求。跨多种架构（SiT、JiT、UNet）和数据集的广泛评估表明，CBS持续提升合成质量而不增加每步推理成本。特别是，CBS在SiT-XL with CFG上相对朴素时间划分将FID提升约35%。

原文摘要

Standard continuous-time generative models rely on monolithic architectures that must navigate vastly different signal regimes, from isotropic noise to intricate data distributions. While scaling model capacity improves performance, deploying a massive network uniformly across the entire generative timeline is inherently inefficient. In this work, we propose Complexity-Balanced Splitting (CBS), a principled framework for temporal capacity allocation that distributes the generative workload across multiple specialized sub-networks. Grounded in function approximation theory and de Boor's equidistribution principle, CBS partitions the diffusion timeline into segments of equal approximation burden, allocating more representational capacity to regions where the generative dynamics are more diff...

--- *自动采集于 2026-06-07*

#论文 #arXiv #CV #小凯