연구진이 플로우 증류를 위한 정량적 근사 프레임워크를 개발하여, 몇 단계 샘플링을 학습된 플로우 맵의 합성 하에서의 오류 전파로 간주합니다.
확산 확률-플로우 ODE의 경로 증류에 초점을 맞춰, 저노이즈 다중모드 환경에서 지역 근사 오류가 크게 증폭될 수 있음을 보여줍니다.
가우시안 혼합 오르슈타인-울렌벡 설정에서 시간 의존 스코어 필드를 근사하고, 확률-플로우 ODE의 시간-통합 야코비안 바운드에 의해 결정되는 동적 증폭을 제어하는 두 가지 핵심 어려움을 분리합니다.
ReLU--ReQU 네트워크가 목표 정확도와 혼합 기하학적으로 다항식적으로 스케일링되면서 시간 경과에 따른 가우시안 혼합 스코어를 균일하게 근사하는 L^p(p_t) 보장을 증명합니다.