分类器无关引导流的全局传输耦合

arXiv:2610.07555v1 公告类型：新 摘要：已有研究表明，最优传输耦合能够降低无条件流模型的训练方差，但其在条件生成中的作用仍不明确。一种自然的方法是为每个条件分别构建耦合，但对于现代图像基础模型中常见的大规模或连续条件空间而言，这种方法并不切实际。我们提出 Global Transport（GT），一种不使用类别标签计算的全局、类别无关最优传输耦合。GT 可以将不同条件与源噪声中的不同区域关联起来，因此在没有引导的情况下会导致性能下降。然而，与 classifier-free guidance（CFG）结合后，GT 在不同领域、模型规模和采样预算下都能持续提升生成效果。这一反转表明，对于条件流，应当在推理时所使用的引导流下，从经验和理论两方面对耦合进行评估，而不是仅考察无引导生成。我们在离散类别条件和连续文本条件的图像生成任务中，跨不同模型规模评估了 GT，并研究了耦合选择如何改变引导轨迹。这些结果表明，在引导流设置下设计耦合，是一种简单的训练时优化方向，无需修改现有架构、采样器或引导机制即可提升性能。