摘要

近年来，深度生成建模取得了显著进展，如今生成的模拟样本（如图像）已能与真实世界数据高度相似。然而，对于任意给定的生成模型，其生成质量通常存在不一致性，不同样本之间的差异可能极为显著。为此，我们提出了一种名为判别器梯度流（Discriminator Gradient flow, DGflow）的新技术，该方法通过优化真实数据分布与生成数据分布之间熵正则化的f-散度的梯度流，显著提升生成样本的质量。该梯度流可表示为一个非线性Fokker-Planck方程，可通过等价的McKean-Vlasov过程进行高效采样模拟。与以往依赖浪费性样本拒绝策略的方法（如DRS与MH-GAN）不同，DGflow通过精炼低质量样本实现改进，避免了不必要的计算开销。相较于仅针对特定GAN变体的研究，我们的方法具有更广泛的适用性，不仅适用于具有向量值判别器的GAN，还可推广至其他深度生成模型，如变分自编码器（VAE）和归一化流（Normalizing Flows）。在多个合成数据集、图像数据集和文本数据集上的实验结果表明，DGflow能够显著提升多种生成模型的样本质量，在性能上超越当前最先进的判别器最优传输（Discriminator Optimal Transport, DOT）与判别器驱动隐空间采样（Discriminator Driven Latent Sampling, DDLS）方法。