FlowBudget：面向流匹配模型的无需训练的采样预算估计

arXiv:2610.20636v1 发布类型：新 摘要：从连续流生成器（如流匹配模型）中进行采样需要数值积分 ODE 或 SDE，因此推理成本取决于函数评估次数（NFE）。在实践中，采样预算通常沿用先前工作的设置，或通过代价高昂的 FID-相对于-NFE 扫描来选择，其中使用 FID 评估图像生成质量，这要求在多个预算下生成样本并进行评估。这使得采样预算的选择依赖于重复的经验评估。因此，除了求解器设计和时间步分配之外，我们提出一个互补问题：对于固定的预训练模型和求解器，什么样的数值分辨率才足够？我们引入 FLOWBUDGET，这是一种无需训练的、相对于求解器的采样复杂度估计器。FLOWBUDGET 利用对学习到的动力学进行无需模拟的插值探测，以运动量对主导的一步离散化误差进行归一化，从插值探测中估计其系数，并利用求解器阶数将数值容差映射为步数预算。我们针对流匹配采样中的数值求解器推导了相应的估计器，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 模型上进行实验，覆盖不同的流模型架构和形式，以检验 FLOWBUDGET 能否在无需针对多个预算生成样本、也无需进行 FID-相对于-NFE 扫描的情况下估计 NFE 预算。代码可在 https://github.com/Yasaman-dt/FlowBudget 获取