新方法Mean Velocity Matching改进扩散模型随机生成动态
原文标题：Mean Velocity Matching: Rethinking Generative Dynamics in Diffusion Models
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出均值速度匹配（MVM），通过构造高斯扰动过程，使恢复导向速度的条件期望直接构成反向SDE漂移，从而用单一学习场参数化随机反向过程，无需额外估计分数函数。该方法引入√t缩放参数化解决t=0附近无界问题，在ImageNet 32×32和256×256上取得有竞争力的FID，并统一了随机与确定性采样框架。
- 问题
- 速度类扩散模型多为确定性，随机扩展需额外估计分数函数。
- 方法
- 构造高斯扰动过程使恢复导向速度的条件期望直接构成反向 SDE 漂移，并用 √t 缩放解决 t=0 附近无界。
- 结果
- ImageNet 32×32 与 256×256 上取得有竞争力 FID，统一随机与确定性采样。
- 影响
- 单一场即可参数化随机反向过程，简化扩散模型训练与采样实现。
深读 · 结论先行AI 生成展开看要点与影响 ↓
MVM用单一学习场直接参数化扩散模型随机反向过程，无需单独估计分数函数。
- •构造高斯扰动过程，使恢复导向速度(x0-xt)/t的条件期望直接构成反向SDE漂移。
- •单一学习场即可参数化随机反向过程，无需额外估计或重建分数函数。
- •引入√t缩放参数化，解决t=0附近直接回归无界的问题，同时保持反向动态。
- •同一学习场也诱导确定性概率流ODE，统一随机与确定性采样框架。
- •在ImageNet 32×32与256×256上取得有竞争力的FID。
为什么重要：简化了随机扩散采样的预测参数化，对需要在同一模型上切换随机与确定性采样的生成建模工作有直接工程价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。