Ottimizzazione della Generazione in Pochi Passi con Distillazione Adattiva per il Matching
Optimizing Few-Step Generation with Adaptive Matching Distillation
February 7, 2026
Autori: Lichen Bai, Zikai Zhou, Shitong Shao, Wenliang Zhong, Shuo Yang, Shuo Chen, Bojun Chen, Zeke Xie
cs.AI
Abstract
La Distillazione per Adattamento della Distribuzione (DMD) è un potente paradigma di accelerazione, ma la sua stabilità è spesso compromessa nelle Zone Proibite, regioni in cui il teacher reale fornisce una guida inaffidabile mentre il teacher fittizio esercita una forza repulsiva insufficiente. In questo lavoro, proponiamo un framework di ottimizzazione unificato che reinterpreta le tecniche precedenti come strategie implicite per evitare queste regioni corrotte. Sulla base di questa intuizione, introduciamo la Distillazione per Adattamento Adattivo (AMD), un meccanismo di autocorrezione che utilizza proxy di ricompensa per rilevare ed evadere esplicitamente le Zone Proibite. AMD priorizza dinamicamente i gradienti correttivi tramite la scomposizione del segnale strutturale e introduce l'Affilatura del Paesaggio Repulsivo per imporre ripide barriere energetiche contro il collasso nelle modalità di fallimento. Esperimenti estesi su compiti di generazione di immagini e video (ad es., SDXL, Wan2.1) e benchmark rigorosi (ad es., VBench, GenEval) dimostrano che AMD migliora significativamente la fedeltà del campione e la robustezza dell'addestramento. Ad esempio, AMD migliora il punteggio HPSv2 su SDXL da 30.64 a 31.25, superando i baseline all'avanguardia. Questi risultati convalidano che rettificare esplicitamente le traiettorie di ottimizzazione all'interno delle Zone Proibite è essenziale per spingere al massimo le prestazioni dei modelli generativi con pochi passi.
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.