多带宽 Distribution Matching Distillation：论 Distribution Matching Distillation 与 Drifting Models 的等价性

arXiv:2610.10989v1 公告类型：new 摘要：研究人员一直在持续探索有效的一步生成模型，而 Drifting Models（Deng et al., 2026）近期展现出了一步生成的巨大潜力。已有研究揭示了 Diffusion & Flow Style Generative Models（DFSGMs）（Ho et al., 2020；Song et al., 2020a；b；Lipman et al., 2022；Liu et al., 2022）与 Drifting Models（Li & Zhu, 2026；Lai et al., 2026；Turan et al., 2026）之间的联系。然而，据我们所知，尽管二者的优化目标公式几乎完全相同，尚无人在 Drifting Model 与广泛使用的蒸馏方法 Distribution Matching Distillation（DMD/DMD2）（Yin et al., 2024b；a）之间建立精确的对应关系。在本文中，我们证明，通过将预训练 DFSGMs 中的速度场/噪声场转换为 Drifting Models 中的吸引力场，并从生成分布中估计排斥力场，训练 Drifting Model 在本质上等价于 Distribution Matching Distillation。基于这一等价概念，我们从 Drifting Model 的视角出发，提出了一种基于 DMD 的改进方法——Multi-Bandwidth Distribution Matching Distillation（MBDMD）。