연구진은 복잡한 생성 모델의 반복적인 샘플링 과정을 단일 단계로 압축하는 W-Flow 프레임워크를 제안했습니다. 이 프레임워크는 워테르슈타인 그래디언트 플로우를 활용하여 간단한 참조 분포에서 대상 데이터 분포로의 변환을 수행합니다. Sinkhorn divergence를 에너지 함수로 사용하여 전역적인 분포 차이를 포착하고 대상 분포의 범위를 개선했습니다.
W-Flow는 ImageNet 256x256 이미지 생성에서 1.29의 FID를 달성하며, 기존 다단계 확산 모델보다 약 100배 빠른 샘플링 속도를 보였습니다. 연구 결과는 워테르슈타인 그래디언트 플로우가 빠르고 고품질의 생성 모델링을 위한 효과적인 기반이 될 수 있음을 보여줍니다.
연구진은 W-Flow의 훈련 역학이 적절한 가정 하에서 연속 시간 분포 역학으로 수렴한다는 것을 증명했으며, 이는 유한 샘플 훈련의 이론적 근거를 제공합니다.