Optimisation de la génération en peu d'étapes par distillation adaptative par appariement
Optimizing Few-Step Generation with Adaptive Matching Distillation
February 7, 2026
Auteurs: Lichen Bai, Zikai Zhou, Shitong Shao, Wenliang Zhong, Shuo Yang, Shuo Chen, Bojun Chen, Zeke Xie
cs.AI
Résumé
La Distillation par Appariement de Distribution (DMD) est un paradigme d'accélération puissant, mais sa stabilité est souvent compromise dans les Zones Interdites, régions où l'enseignant réel fournit des indications peu fiables tandis que l'enseignant artificiel exerce une force répulsive insuffisante. Dans ce travail, nous proposons un cadre d'optimisation unifié qui réinterprète les méthodes existantes comme des stratégies implicites pour éviter ces régions corrompues. Sur la base de cette analyse, nous introduisons la Distillation par Appariement Adaptatif (AMD), un mécanisme d'auto-correction qui utilise des indicateurs de récompense pour détecter et échapper explicitement aux Zones Interdites. AMD hiérarchise dynamiquement les gradients correctifs via une décomposition structurelle du signal et introduit un Affûtage du Paysage Répulsif pour imposer des barrières énergétiques abruptes contre l'effondrement des modes défaillants. Des expériences approfondies sur des tâches de génération d'images et de vidéos (par exemple, SDXL, Wan2.1) et des benchmarks rigoureux (par exemple, VBench, GenEval) démontrent qu'AMD améliore significativement la fidélité des échantillons et la robustesse de l'entraînement. Par exemple, AMD améliore le score HPSv2 sur SDXL de 30,64 à 31,25, surpassant les méthodes de référence de l'état de l'art. Ces résultats valident le fait que rectifier explicitement les trajectoires d'optimisation dans les Zones Interdites est essentiel pour repousser les limites de performance des modèles génératifs à faible nombre d'étapes.
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.