扩散草图树的等级感知推测采样

arXiv:2610.02251v1 公告类型：新摘要：推测性采样通过并行验证廉价的草案状态来加速扩散生成，同时保留目标法则。最近基于树的方法比单链草案更有效地分配并行计算预算，如扩散贪婪拒绝采样（D-GRS）所证明的那样。 D-GRS为每个节点生成$K$个条件独立候选者，并按其生成顺序顺序测试它们。然而，抽样候选人承认在没有额外目标模型评估的情况下进行了信息丰富的排名。为了利用这一点，我们引入了排名感知推测采样（RASS），这是一种基于排名感知列表耦合的推测草稿树的验证规则。 RASS 沿着提案目标平均位移对候选草案进行排序，并使用优化的权重对排名进行采样，以最大限度地减少所选提案和目标法律之间的总变化。最后，所选候选者与目标最大程度地耦合，并通过残差校正确保对任何排名权重的选择进行精确采样。我们在高斯混合目标上评估 RASS，在 FFHQ 上评估无条件像素空间生成，在 CIFAR-10 上评​​估条件生成，以及使用 COCO2014 提示通过稳定扩散 3.5 进行潜在扩散。通过标准采样与推测采样的目标模型评估计数的比率来衡量，RASS 在整个评估设置中比 D-GRS 有所改进，在匹配的计算预算下，CIFAR-10 的增益达到约 20%。