FlowBudget：流量匹配模型的免训练采样预算估计

arXiv:2610.20636v1 公告类型：新 摘要：从基于连续流的生成器（例如流匹配模型）进行采样需要数值 ODE 或 SDE 积分，使得推理成本取决于函数评估 (NFE) 的数量。在实践中，采样预算继承自先前的工作，或者通过昂贵的 FID 与 NFE 扫描进行选择，使用 FID 评估图像生成质量，需要在多个预算下生成和评估样本。这使得抽样预算选择依赖于重复的经验评估。因此，我们对求解器设计和时间步分配提出一个补充问题：对于固定的预训练模型和求解器，什么数值分辨率足够？我们引入了 FLOWBUDGET，它是一种无需训练的求解器相关采样复杂度估计器。使用学习动力学的免仿真插值探针，FLOWBUDGET 通过运动对主要单步离散化误差进行归一化，根据插值探针估计其系数，并使用求解器阶数将数值公差映射到步骤预算。我们推导了流匹配采样中数值求解器的估计量，即用于 ODE 采样的 Euler 和 Heun 以及用于 SDE 采样的加性噪声​​ Euler-Maruyama，并将 ODE 系数与终端积分误差联系起来。在 SiT、FlowDCN 和 Rectified Flow 模型上进行的实验（涵盖流模型架构和公式）测试 FLOWBUDGET 是否可以估算 NFE 预算，而无需在多个预算下生成样本或执行 FID 与 NFE 扫描。代码可在 https://github.com/Yasaman-dt/FlowBudget 获取