Optimierung der Few-Step-Generierung durch adaptive Matching-Distillation
Optimizing Few-Step Generation with Adaptive Matching Distillation
February 7, 2026
Autoren: Lichen Bai, Zikai Zhou, Shitong Shao, Wenliang Zhong, Shuo Yang, Shuo Chen, Bojun Chen, Zeke Xie
cs.AI
Zusammenfassung
Distribution Matching Distillation (DMD) ist ein leistungsstarkes Beschleunigungsparadigma, dessen Stabilität jedoch häufig in sogenannten "Forbidden Zones" beeinträchtigt wird – Regionen, in denen der echte Teacher unzuverlässige Anleitung bietet, während der falsche Teacher eine unzureichende abstoßende Kraft ausübt. In dieser Arbeit schlagen wir einen einheitlichen Optimierungsrahmen vor, der bisherige Ansätze als implizite Strategien zur Vermeidung dieser korrumpierten Regionen neu interpretiert. Aufbauend auf dieser Erkenntnis führen wir Adaptive Matching Distillation (AMD) ein, einen selbstkorrigierenden Mechanismus, der Belohnungs-Proxies nutzt, um Forbidden Zones explizit zu erkennen und zu verlassen. AMD priorisiert korrigierende Gradienten dynamisch mittels struktureller Signalzerlegung und führt "Repulsive Landscape Sharpening" ein, um steile Energiebarrieren gegen den Kollaps in Fehlermodi zu erzwingen. Umfangreiche Experimente in Bild- und Video-Generierungsaufgaben (z.B. SDXL, Wan2.1) und rigorose Benchmarks (z.B. VBench, GenEval) zeigen, dass AMD die Probenqualität und Trainingsrobustheit signifikant steigert. So verbessert AMD beispielsweise den HPSv2-Score für SDXL von 30,64 auf 31,25 und übertrifft damit state-of-the-art Baselines. Diese Ergebnisse validieren, dass die explizite Korrektur von Optimierungspfaden innerhalb von Forbidden Zones entscheidend ist, um die Leistungsgrenzen von Generativen Modellen mit wenigen Schritten weiter zu verschieben.
English
Distribution Matching Distillation (DMD) is a powerful acceleration paradigm, yet its stability is often compromised in Forbidden Zone, regions where the real teacher provides unreliable guidance while the fake teacher exerts insufficient repulsive force. In this work, we propose a unified optimization framework that reinterprets prior art as implicit strategies to avoid these corrupted regions. Based on this insight, we introduce Adaptive Matching Distillation (AMD), a self-correcting mechanism that utilizes reward proxies to explicitly detect and escape Forbidden Zones. AMD dynamically prioritizes corrective gradients via structural signal decomposition and introduces Repulsive Landscape Sharpening to enforce steep energy barriers against failure mode collapse. Extensive experiments across image and video generation tasks (e.g., SDXL, Wan2.1) and rigorous benchmarks (e.g., VBench, GenEval) demonstrate that AMD significantly enhances sample fidelity and training robustness. For instance, AMD improves the HPSv2 score on SDXL from 30.64 to 31.25, outperforming state-of-the-art baselines. These findings validate that explicitly rectifying optimization trajectories within Forbidden Zones is essential for pushing the performance ceiling of few-step generative models.