ReSWD : ReSTIR'd, non secoué. Combinaison de l'échantillonnage par réservoir et de la distance de Wasserstein découpée pour la réduction de variance
ReSWD: ReSTIR'd, not shaken. Combining Reservoir Sampling and Sliced Wasserstein Distance for Variance Reduction
October 1, 2025
papers.authors: Mark Boss, Andreas Engelhardt, Simon Donné, Varun Jampani
cs.AI
papers.abstract
L'appariement des distributions est central dans de nombreuses tâches de vision et de graphisme, où la distance de Wasserstein, largement utilisée, est trop coûteuse à calculer pour des distributions de haute dimension. La distance de Wasserstein par tranches (SWD) offre une alternative évolutive, mais son estimateur de Monte Carlo souffre d'une variance élevée, entraînant des gradients bruyants et une convergence lente. Nous introduisons la SWD par réservoir (ReSWD), qui intègre l'échantillonnage pondéré par réservoir dans la SWD pour conserver de manière adaptative des directions de projection informatives lors des étapes d'optimisation, ce qui permet d'obtenir des gradients stables tout en restant non biaisé. Les expériences sur des benchmarks synthétiques et des tâches réelles telles que la correction des couleurs et le guidage par diffusion montrent que ReSWD surpasse systématiquement la SWD standard et d'autres méthodes de réduction de variance. Page du projet : https://reservoirswd.github.io/
English
Distribution matching is central to many vision and graphics tasks, where the
widely used Wasserstein distance is too costly to compute for high dimensional
distributions. The Sliced Wasserstein Distance (SWD) offers a scalable
alternative, yet its Monte Carlo estimator suffers from high variance,
resulting in noisy gradients and slow convergence. We introduce Reservoir SWD
(ReSWD), which integrates Weighted Reservoir Sampling into SWD to adaptively
retain informative projection directions in optimization steps, resulting in
stable gradients while remaining unbiased. Experiments on synthetic benchmarks
and real-world tasks such as color correction and diffusion guidance show that
ReSWD consistently outperforms standard SWD and other variance reduction
baselines. Project page: https://reservoirswd.github.io/