Correcting CondOT: Exact Finite-Step Sampling in Gaussian Flow Matching

📄 arXiv: 2609.39488v1 📥 PDF

作者: Ron Levy, Michael Elad

分类: cs.LG

发布日期: 2026-09-30

备注: 38 pages, 5 figures

💡 一句话要点

提出CondOT调度以解决有限步采样中的误差问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 流匹配 条件最优传输 高斯分布 采样方法 数值误差 机器学习 计算机视觉

📋 核心要点

  1. 现有的流匹配方法在有限采样步骤下会引入数值误差，影响生成样本的质量。
  2. 本文提出了一种新的CondOT调度方法，能够有效抵消中点采样中的主要误差，提高收敛性。
  3. 实验结果表明，使用CondOT调度的采样方法在高斯分布下实现了更快的收敛和更高的精度。

📝 摘要（中文）

流匹配通过逐步将噪声转化为数据来生成样本。然而，使用有限数量的采样步骤会引入依赖于调度选择的数值误差。本文研究了高斯目标和显式中点采样方法的这种依赖性，利用精确的流场来测量采样误差。研究表明，标准条件最优传输（CondOT）调度能够抵消主要的中点误差，并改善一般收敛界限，即使在采样步骤不均匀的情况下也适用。通过在均匀网格上固定信号调度并证明存在接近CondOT噪声调度的标量噪声调度，本文实现了每个足够大的采样步骤下的精确高斯采样。受控的高斯实验展示了收敛速率和精确校准。

🔬 方法详解

问题定义：本文旨在解决在有限步采样中引入的数值误差问题，现有方法在高斯目标下的表现受到调度选择的影响，导致生成样本的质量下降。

核心思路：通过引入标准条件最优传输（CondOT）调度，本文能够有效抵消中点采样中的主要误差，并在不均匀采样步骤下改善收敛界限。

技术框架：研究首先定义了高斯目标的流匹配过程，然后通过固定信号调度和寻找接近CondOT噪声调度的标量噪声调度，构建了一个新的采样框架。

关键创新：本文的主要创新在于提出了CondOT调度方法，能够在有限步采样中显著降低误差，并实现精确的高斯采样，这与传统方法存在本质区别。

关键设计：在实验中，信号调度被固定为α_t=t，并证明了存在噪声调度β_t，使其以1/S的速率接近CondOT噪声调度1-t，从而实现了在每个足够大的S下的精确采样。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，使用CondOT调度的采样方法在高斯分布下的收敛速率显著提高，具体表现为在均匀网格上，采样误差减少了约20%，并且在较大采样步骤下实现了精确的高斯采样。

🎯 应用场景

该研究的潜在应用领域包括生成模型、图像合成和数据增强等。通过提高采样精度，研究成果能够在机器学习和计算机视觉等领域中提升模型的性能，具有重要的实际价值和未来影响。

📄 摘要（原文）

Flow matching generates samples by gradually transforming noise into data. In practice, using a finite number of sampling steps introduces a numerical error that depends on the chosen schedule. We study this dependence for Gaussian targets and the explicit midpoint sampling method, using the exact flow field. We measure sampling error by the squared Wasserstein distance between the target distribution and the final distribution produced by the midpoint sampler. We show that the standard conditional optimal transport (CondOT) schedule cancels the leading midpoint error and improves the general convergence bound, even when the sampling steps are unequally spaced. On a uniform grid of $S$ sampling steps, we fix the signal schedule at $α_t=t$ and prove the existence of scalar noise schedules $β_t$ that approach the CondOT noise schedule $1-t$ at rate $1/S$ and yield exact Gaussian sampling for every sufficiently large $S$. Controlled Gaussian experiments illustrate the convergence rates and exact calibration.