强随机流映射：从加性噪声SDE到路径解映射 让AI在噪声中狂飙

强随机流映射（SSFMs）的新型生成模型框架，旨在提高扩散模型在图像生成和分子系统采样中的计算效率。传统方法通常受限于大量的网络评估次数，或仅能实现分布上的弱收敛，而 SSFMs 通过学习随机微分方程的强解映射，成功实现了路径级别的数值一致性。研究者引入了基于勒让德多项式的布朗运动近似方法，使网络能够直接处理随机路径信息，从而支持少步采样。实验证明，该方法在 CIFAR-10 和 CelebA-64 数据集上的表现优于先前的随机流映射技术。此外，在丙氨酸二肽等复杂分子模拟任务中，该模型仅需极少数评估即可生成高质量样本，显著降低了计算成本。