PPR-2605.11755 Paper

定位

Han、Li、Guo、Xu、Ermon、Candès（arXiv 2026）提出 W-Flow。问题设定：扩散与 flow 类方法生成质量好，但采样昂贵——需要大量迭代更新。W-Flow 训练一个一步生成器，把简单参考分布的样本一次变换到目标数据分布。做法分两步：先通过Wasserstein 梯度流（最小化一个能量泛函）定义从参考分布到目标分布的演化，再训练一个静态神经生成器把这条演化压缩成一步生成。能量泛函用 Sinkhorn 散度实例化，得到一个高效的、基于最优传输的更新规则，捕捉全局分布差异并改善对目标分布的覆盖。论文进一步证明有限样本训练动力学在适当假设下收敛到连续时间的分布动力学。实验报告一步 ImageNet \(256\times256\) 生成达到新的 state of the art（FID 1.29），模式覆盖与域迁移更好；与 FID 相近的多步扩散相比，采样快约 \(100\times\)。

方法（机制要点）

• 两步构造：Wasserstein 梯度流定义分布演化 → 训练静态生成器压缩成一步。
• Sinkhorn 散度作为能量：给出高效的最优传输更新规则，改善覆盖。
• 理论：有限样本训练动力学收敛到连续时间分布动力学。
• 一步推理：一次网络求值。

与本库的关系

PPR-2607.02375（RDM）把本工作点名为 RDM 范式的先前实例之一（“a concurrent Sinkhorn flow”，即 wflow），与 drifting field、Fréchet-distance loss 并列。本卡为该命名提供库内锚点。

承重关系

• 谱系定位：RDM（PPR-2607.02375）先前实例之一；与 Drifting（PPR-2602.04770）、FD-loss（PPR-2604.28190）同属该范式。
• provenance：v2 tarball sha256 2dacc0a1…c155452f，缓存 cache/sources/2605.11755/。