ReSWD: ReSTIR'd, não agitado. Combinando Amostragem por Reservatório e Distância de Wasserstein Fatiada para Redução de Variância
ReSWD: ReSTIR'd, not shaken. Combining Reservoir Sampling and Sliced Wasserstein Distance for Variance Reduction
October 1, 2025
Autores: Mark Boss, Andreas Engelhardt, Simon Donné, Varun Jampani
cs.AI
Resumo
A correspondência de distribuições é fundamental para muitas tarefas de visão e gráficos, onde a amplamente utilizada distância de Wasserstein é muito custosa para calcular em distribuições de alta dimensionalidade. A Distância de Wasserstein Fatiada (Sliced Wasserstein Distance - SWD) oferece uma alternativa escalável, mas seu estimador de Monte Carlo sofre com alta variância, resultando em gradientes ruidosos e convergência lenta. Introduzimos a SWD de Reservatório (Reservoir SWD - ReSWD), que integra a Amostragem de Reservatório Ponderada (Weighted Reservoir Sampling) na SWD para reter de forma adaptativa direções de projeção informativas nas etapas de otimização, resultando em gradientes estáveis enquanto permanece imparcial. Experimentos em benchmarks sintéticos e tarefas do mundo real, como correção de cores e orientação de difusão, mostram que a ReSWD supera consistentemente a SWD padrão e outras linhas de base de redução de variância. Página do projeto: 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/