通过训练动力学作用实现一步生成建模

arXiv:2610.00518v1 公告类型：新 摘要：一步生成模型通过训练时的迭代输运构建静态生成器。现有输运目标主要评估分布运动，然而神经生成器需要通过共享参数更新，协同实现所要求的样本位移。训练时构建过程引出了一个问题：一旦训练成为构建最终一步映射的迭代过程，究竟应优化什么：下一步分布运动，还是有限容量生成器学习最终映射的路径？为解决这一问题，我们提出训练动力学作用（Training Dynamics Action，TDAction），在保持预设分布进展水平的同时，根据局部共享参数实现成本选择输运目标。我们将该成本表述为软终端控制问题，并推导出闭式的 Batch Tangent Action-to-Go 值，同时考虑参数耗费和终端失配。该准则捕捉了独立成对成本所忽略的跨样本交互；在各向同性可动性条件下，对于确定性的平衡耦合，该准则与二次欧氏匹配一致。随机化切向探针提供了一种低秩实现方式，能够构建共享的分离目标，而无需在推理时增加轨迹。我们通过受控实验考察生成器几何结构、输运选择与实际局部作用之间的关系。在 ImageNet $256\times256$ 上，TDAction 无需蒸馏即可实现低于 1.1 的 FID。