通过奖励倾斜分布匹配强化少步生成器

Reinforcing Few-step Generators via Reward-Tilted Distribution Matching

AI 导读

本文提出奖励倾斜分布匹配蒸馏（RTDMD），这是一个将分布匹配蒸馏与奖励引导强化学习统一应用于少步流生成器的两阶段框架。该方法通过最小化到奖励倾斜教师分布的KL散度，自然分解为分布匹配项与奖励最大化项。第一阶段引入环境一致分布匹配蒸馏（AC-DMD），在子区间进行分布匹配，并通过一致性正则化辅助分数模型追踪生成器分布。第二阶段联合优化两项，并推导混合策略梯度及步子集GRPO（SubGRPO）以降低方差。在SD3、SD3.5和FLUX.2上的实验表明，RTDMD仅用4步推理即可在偏好、美学和组合指标上达到新的 state-of-the-art。

推荐理由

这篇直接把分布匹配蒸馏和奖励建模拧在一起，在 SD3/3.5/FLUX.2 上用 4 步推理就压了之前所有文生图对齐方法，做图像生成训练和偏好对齐的该看。

正文 · AI 翻译

近期在少步扩散蒸馏方面的进展已实现高效图像生成，但让这些模型与人类偏好对齐仍具挑战性。我们提出奖励倾斜分布匹配蒸馏（RTDMD），这是一个两阶段框架，将分布匹配蒸馏与奖励引导的强化学习统一起来，适用于少步流生成器。我们证明，最小化与奖励倾斜教师分布的KL散度可自然分解为分布匹配项和奖励最大化项。在第一阶段，我们引入环境一致分布匹配蒸馏（AC-DMD），该方法执行子区间级分布匹配，并通过一致性正则化项增强伪评分目标，帮助伪评分模型在有限更新次数下跟踪变化的生成器分布。在第二阶段，我们联合优化这两项：针对奖励最大化项，我们推导出一种混合策略梯度，将用于随机中间过渡的GRPO风格估计器与通过确定性最终步骤的直接奖励反向传播相结合，并进一步引入步骤子集GRPO（SubGRPO）以降低方差。在SD3、SD3.5和FLUX.2上的实验表明，RTDMD仅需4次推理步骤，就在偏好、美学和组合性指标上建立了新的最先进结果，超越了以往的少步文本到图像生成方法。代码和模型可在 https://github.com/Harahan/RTDMD 获取。