Оптимизация генерации за несколько шагов с помощью адаптивного согласующего дистилляции

Optimizing Few-Step Generation with Adaptive Matching Distillation

February 7, 2026

Авторы: Lichen Bai, Zikai Zhou, Shitong Shao, Wenliang Zhong, Shuo Yang, Shuo Chen, Bojun Chen, Zeke Xie

cs.AI

Аннотация

Метод согласования распределений с дистилляцией (DMD) является мощной парадигмой ускорения, однако его стабильность часто нарушается в «Запретных Зонах» — областях, где реальный учитель предоставляет ненадежные ориентиры, а искусственный учитель оказывает недостаточное отталкивающее воздействие. В данной работе мы предлагаем унифицированную оптимизационную структуру, которая переосмысливает предыдущие подходы как неявные стратегии избегания этих искаженных областей. На основе этого понимания мы представляем Адаптивную дистилляцию с согласованием (AMD) — самокорректирующийся механизм, использующий прокси-оценки для явного обнаружения и выхода из Запретных Зон. AMD динамически расставляет приоритеты корректирующим градиентам через структурное разложение сигналов и вводит «Заострение отталкивающего ландшафта» для создания крутых энергетических барьеров против коллапса режимов сбоя. Многочисленные эксперименты в задачах генерации изображений и видео (например, SDXL, Wan2.1) и строгие сравнительные тесты (например, VBench, GenEval) демонстрируют, что AMD существенно повышает достоверность образцов и устойчивость обучения. Например, AMD улучшает показатель HPSv2 для SDXL с 30.64 до 31.25, превосходя современные базовые методы. Эти результаты подтверждают, что явная коррекция траекторий оптимизации в Запретных Зонах необходима для повышения предельной производительности генеративных моделей с малым числом шагов.

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.