🤖 machine learning

Three-Body Scattering for Generative Modeling

यह शोध पत्र थ्री-बॉडी स्कैटरिंग मॉडलिंग (TBSM) प्रस्तुत करता है, जो एक नवीन जनरेटिव फ्रेमवर्क है जो सैंपल-लेवल मोशन को प्रेरित करने और प्रत्यक्ष रिग्रेशन सुपरविजन प्रदान करने के लिए एक डिस्ट्रीब्यूशनल एनर्जी का उपयोग करता है, जिससे जटिल ऑल-पेयर इंटरैक्शन को कुशल कॉन्स्टेंट-साइज़ पर-प्रोजेक्टाइल इंटरैक्शन से बदलकर ImageNet-256 पर स्टेट-ऑफ-द-आर्ट FID स्कोर के साथ उच्च-गुणवत्ता वाला वन-स्टेप जनरेशन सक्षम होता है।

मूल लेखक: Peng Sun, Zhenglin Cheng, Deyuan Liu, Jun Xie, Xinyi Shang, Tao Lin

प्रकाशित 2026-07-21

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Peng Sun, Zhenglin Cheng, Deyuan Liu, Jun Xie, Xinyi Shang, Tao Lin

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट कलाकार को एक उत्कृष्ट कृति (मास्टरपीस) पेंट करना सिखाने की कोशिश कर रहे हैं। आर्टिफिशियल इंटेलिजेंस की दुनिया में, इसे "जेनरेटिव मॉडलिंग" कहा जाता है। लंबे समय से, इसे करने का मानक तरीका बिल्ली और चूहे के एक उच्च-दांव वाले खेल जैसा रहा है। आपके पास एक "निर्माता" रोबोट है जो नकली कला बनाने की कोशिश कर रहा है, और एक "आलोचक" रोबोट है जो नकली चीज़ों को पहचानने की कोशिश कर रहा है। वे एक-दूसरे के खिलाफ खेलते हैं, बेहतर होते जाते हैं, जब तक कि नकली चीज़ें असली न दिखने लगें। एक अन्य लोकप्रिय विधि एक स्लो-मोशन वीडियो की तरह है: आप एक धुंधले, शोर भरे ढेर से शुरू करते हैं और एक स्पष्ट तस्वीर में बदलने के लिए सैकड़ों छोटे, सावधानीपूर्ण कदम उठाते हैं। लेकिन क्या होगा अगर आप इस खेल और धीमे कदमों को छोड़ सकें? क्या होगा अगर रोबोट एक वास्तविक फोटो को देख सके और तुरंत जान सके कि एक यादृच्छिक (रैंडम) रेखाचित्र को एक सटीक प्रतिलिपि में बदलने के लिए उसे ठीक क्या करना चाहिए—एक ही जादुई छलांग में? यह "वन-स्टेप जनरेशन" (एक-चरण पीढ़ी) का पवित्र लक्ष्य है, और यह एक बहुत बड़ी बात है क्योंकि यह छवियों, वीडियो और संगीत को अविश्वसनीय रूप से तेज़ और कुशल बनाएगा।

जिस शोध पत्र को आप पढ़ने जा रहे हैं, वह इस नए तरीके को पेश करता है जिसे थ्री-बॉडी स्कैटरिंग मॉडलिंग (TBSM) कहा जाता है। "बिल्ली और चूहे" के खेल या "धीमी वीडियो" विधि के बजाय, लेखक भौतिकी (फिजिक्स) से उधार लिए गए एक सिद्धांत का उपयोग करते हैं: स्कैटरिंग (प्रकीर्णन)। कल्पना कीजिए कि एक बिलियर्ड बॉल (रोबोट का प्रयास) एक मेज पर लुढ़क रही है। इस नई विधि में, गेंद को धीरे से एक वास्तविक फोटो (लक्ष्य) की ओर खींचा जाता है, लेकिन साथ ही इसे रोबोट द्वारा स्वयं बनाई गई एक यादृच्छिक, बिखरी हुई धारणा से दूर भी धकेला जाता है। इस "खिंचाव" और "धक्के" को संतुलित करके, रोबोट सीखता है कि एक आदर्श छवि बनाने के लिए उसे किस सटीक दिशा में आगे बढ़ना है। लेखक दिखाते हैं कि यह तरीका आश्चर्यजनक रूप से अच्छा काम करता है, जिससे उनके रोबोट बिना किसी शिक्षक के मार्गदर्शन या आलोचक के निर्णय के, एक ही चरण में उच्च-गुणवत्ता वाली छवियां उत्पन्न कर सकते हैं। उन्होंने इसे प्रसिद्ध इमेज डेटासेट्स पर परखा और पाया कि उनका रोबोट उन धीमी, बहु-चरणीय विधियों के लगभग उतना ही अच्छा चित्र बना सकता है, लेकिन बहुत कम समय में।

थ्री-बॉडी डांस का जादू

तो, यह "थ्री-बॉडी स्कैटरिंग" वास्तव में कैसे काम करता है? आइए इसे एक सरल कहानी के साथ समझते हैं।

कल्पना कीजिए कि आप बिल्ली का चित्र बनाने की कोशिश कर रहे हैं। आप एक खाली कैनवास से शुरू करते हैं जो केवल यादृच्छिक शोर (स्टैटिक नॉइज़) है। पुरानी "धीमी वीडियो" विधियों में, आपको हर छोटे कदम के साथ शोर को हजारों बार धकेलना पड़ता, जिससे आप धीरे-धीरे बिल्ली के करीब पहुँचते। "बिल्ली और चूहे" की विधियों में, एक जज आपको बताएगा, "यह कान अजीब लग रहा है," और आपको इसे ठीक करना होगा, फिर जज कहेगा, "अब पूंछ गलत है," और आपको उसे ठीक करना होगा, और यह बार-बार होता रहेगा।

TBSM अलग है। यह ड्राइंग प्रक्रिया को तीन पात्रों के साथ एक भौतिक प्रयोग की तरह मानता है:

द प्रोजेक्टाइल (प्रक्षेप्य): यह आपका रोबोट का वर्तमान प्रयास है (बिल्ली का शोर भरा रेखाचित्र)।
द रियल सोर्स (वास्तविक स्रोत): यह प्रशिक्षण डेटा से बिल्ली की एक वास्तविक, पूर्ण फोटो है।
द जेनरेटेड सोर्स (निर्मित स्रोत): यह रोबोट द्वारा स्वयं बनाया गया बिल्ली का एक अन्य यादृच्छिक, बिखरा हुआ प्रयास है।

यहाँ युक्ति यह है: आपका प्रयास (प्रोजेक्टाइल) वास्तविक स्रोत की ओर आकर्षित होता है। यह वास्तविक बिल्ली जैसा बनना चाहता है। लेकिन साथ ही, यह जेनरेटेड सोर्स (रोबोट के अपने दूसरे बिखरे हुए प्रयास) से विकर्षित (रिपेल) होता है। अपने ही बुरे अनुमानों से दूर क्यों धकेला जाए? क्योंकि यदि रोबोट केवल वास्तविक बिल्ली को देखेगा, तो वह या तो उसकी सटीक नकल कर लेगा या वहीं फंस जाएगा। अपने स्वयं के रैंडम शोर से दूर हटकर, वह सीखता है कि क्या नहीं करना है। वह एक बिखराव और एक उत्कृष्ट कृति के बीच के स्थान के "आकार" को सीखता है।

लेखक इसे "स्कैटरिंग" कहते हैं क्योंकि भौतिकी में, जब कण टकराते हैं, तो वे इस आधार पर विशिष्ट दिशाओं में बिखरते हैं कि वे कैसे परस्पर क्रिया करते हैं। यहाँ, रोबोट एक "स्कैटरिंग वेक्टर" की गणना करता है—एक एकल तीर जो यह दिखाता है कि अपने वर्तमान रेखाचित्र को अधिक वास्तविक बिल्ली जैसा बनाने के लिए उसे किस दिशा में जाना चाहिए।

"ट्रैक्ड" सीक्रेट सॉस

हालाँकि, इसमें एक पेच है। यदि आप एक बार में केवल एक वास्तविक बिल्ली और एक बिखरे हुए अनुमान को देखते हैं, तो दिशा का तीर थोड़ा डगमगाया हुआ और शोर भरा हो सकता है। यह केवल एक पेड़ को देखकर धुंधले जंगल में अपना रास्ता खोजने जैसा है; आप भ्रमित हो सकते हैं।

इसे ठीक करने के लिए, लेखकों ने एक "ट्रैकर" जोड़ा है। ट्रैकर को एक बुद्धिमान पुराने मानचित्र-पाठक के रूप में सोचें। हर बार जब रोबोट एक डगमगाता हुआ दिशा निर्देश निकालता है, तो ट्रैकर अब तक देखे गए सभी डगमगाते तीरों के पैटर्न को देखता है और उन्हें सुचारू (स्मूथ) बनाता है। यह सीखता है कि वह औसत दिशा क्या है जो एक वास्तविक बिल्ली की ओर ले जाती है। इसे ट्रैक्ड स्कैटरिंग कहा जाता है।

शोध पत्र दिखाता है कि यदि आप इस ट्रैकर का उपयोग करते हैं, तो रोबोट बहुत तेज़ी से सही पथ सीख सकता है। यह ऐसा है जैसे रोबोट अनुमान लगाना बंद कर देता है और ट्रैकर द्वारा खींचे गए एक स्पष्ट, सुचारू राजमार्ग का अनुसरण करने लगता है। लेखकों ने गणितीय रूप से सिद्ध किया कि यह तरीका बिना किसी शिक्षक या आलोचक के, रोबोट की नकली छवियों और वास्तविक छवियों के बीच की "दूरी" को कम करने का एक सीधा तरीका है।

परिणाम: एक चरण, एक छवि

टीम ने इसे दुनिया के सबसे प्रसिद्ध इमेज डेटासेट्स में से कुछ पर परखा, जैसे कि ImageNet (जिसमें रोजमर्रा की वस्तुओं की हजारों तस्वीरें हैं)। उन्होंने अपने रोबोट को केवल एक चरण में छवियां उत्पन्न करने के लिए प्रशिक्षित किया (इसका अर्थ है कि रोबोट शोर को देखता है और तुरंत छवि निकाल देता है, कोई धीमा बदलाव नहीं)।

परिणाम प्रभावशाली थे:

256x256 पिक्सेल वाली छवियों के लिए, उनके रोबोट ने "लेटेंट स्पेस" (छवि का एक संकुचित संस्करण) में 1.63 का गुणवत्ता स्कोर (जिसे FID कहा जाता है) और पिक्सेल के साथ सीधे काम करते समय 2.23 प्राप्त किया।
इसे संदर्भ में देखने के लिए, अन्य विधियाँ जो एक छवि बनाने में सैकड़ों चरणों का उपयोग करती हैं, अक्सर 2.0 से 3.0 के बीच स्कोर प्राप्त करती हैं। लेखकों का एक-चरणीय तरीका उन धीमी, बहु-चरणीय दिग्गजों के बराबर है, और कभी-कभी उनसे बेहतर भी है।
उन्होंने यह भी दिखाया कि यह टेक्स्ट-टू-इमेज जनरेशन के लिए भी काम करता है, जहाँ आप "टोपी पहने हुए बिल्ली" जैसा विवरण टाइप करते हैं, और रोबोट एक ही चरण में उसे बनाता है।

भविष्य के लिए इसका क्या अर्थ है

लेखक सावधानी बरतते हुए कहते हैं कि यह कोई जादुई छड़ी नहीं है जो सब कुछ हल कर देगी। वे बताते हैं कि उनकी विधि एक अच्छे "ट्रैकर" होने पर निर्भर करती है और यह सबसे अच्छा तब काम करती है जब रोबोट के पास एक अच्छी शुरुआत हो (एक पूर्व-प्रशिक्षित मॉडल का उपयोग करके)। वे यह भी नोट करते हैं कि जबकि गणित सिद्धांत में एकदम सही दिखता है, न्यूरल नेटवर्क के साथ वास्तविक दुनिया का प्रशिक्षण अव्यवस्थित होता है, और वे यह दावा नहीं करते कि उन्होंने AI जनरेशन की हर संभव समस्या को हल कर दिया है।

हालाँकि, मूल विचार एक बड़ा बदलाव है। उन्होंने दिखाया है कि महान छवियां बनाने के लिए आपको जटिल "बिल्ली और चूहे" के खेल या धीमी, चरण-दर-चरण प्रक्रिया की आवश्यकता नहीं है। आपको बस रोबोट को वास्तविकता के खिंचाव और उसके अपने गलतियों के धक्के के बीच संतुलन बनाना सिखाने की आवश्यकता है। "ऊर्जा दूरी" (एनर्जी डिस्टेंस) की जटिल गणित को तीन "कणों" (वास्तविक छवि, रोबोट का अनुमान, और रोबोट का दूसरा अनुमान) के बीच एक सरल, निरंतर आकार की परस्पर क्रिया में बदलकर, उन्होंने AI जनरेशन को तेज़, सरल और अधिक कुशल बनाने का एक नया द्वार खोल दिया है।

संक्षेप में, TBSM सुझाव देता है कि तत्काल, उच्च-गुणवत्ता वाली AI कला का रहस्य शायद रोबोट को अधिक कठिन या अधिक लंबा काम कराने में नहीं है, बल्कि उसे सही प्रकार के "स्कैटरिंग" संकेतों को सुनना सिखाने में है। और यदि यह काम करता है, तो हम जल्द ही ऐसी AI देख सकते हैं जो पलक झपकते ही फिल्में, गेम और कला बना सकती है।

तकनीकी सारांश: जनरेटिव मॉडलिंग के लिए थ्री-बॉडी स्कैटरिंग (Three-Body Scattering)

1. समस्या विवरण (Problem Statement)

आधुनिक जनरेटिव मॉडल आमतौर पर एडवर्सरियल क्रिटिक्स (GANs), निर्धारित नॉइज़-टू-डेटा पाथ (Diffusion/Flow models), या ऑटोरिग्रेसिव फैक्टराइजेशन पर निर्भर करते हैं। प्रत्यक्ष वन-स्टेप डिस्ट्रीब्यूशन-मैचिंग विधियों के लिए अक्सर मिनीबैच-व्यापी फील्ड एस्टिमेशन, वेरिएशनल ऑब्जेक्टिव्स, या टीचर क्वेरीज़ की आवश्यकता होती है, जो कम्प्यूटेशनल रूप से महंगे या सांख्यिकीय रूप से अक्षम हो सकते हैं।

यह शोध समस्या 1 को संबोधित करता है: क्या एक उचित डिस्ट्रीब्यूशन-मैचिंग ऑब्जेक्टिव, बिना टीचर क्वेरीज़ के, उच्च-आयामी वन-स्टेप जनरेशन के लिए स्थिर-आकार के प्रति-प्रोजेक्टाइल स्टोकेस्टिक इंटरैक्शन (constant-size per-projectile stochastic interactions) प्रदान कर सकता है? लक्ष्य एक ऐसा सुपरविजन सिग्नल प्राप्त करना है जो जनरेटर को जटिल बैच-स्तरीय सांख्यिकी के बजाय एक निश्चित संख्या में संदर्भ बिंदुओं (एक वास्तविक, एक जनरेटेड) के आधार पर एकल नमूने को अपडेट करने की अनुमति दे, जबकि लक्षित वितरण की ओर सैद्धांतिक अभिसरण (convergence) गुणों को बनाए रखे।

2. कार्यप्रणाली: थ्री-बॉडी स्कैटरिंग मॉडलिंग (TBSM)

प्रस्तावित विधि का मूल थ्री-बॉडी स्कैटरिंग मॉडलिंग (TBSM) है, जो एनर्जी डिस्टेंस को एक स्थानीय, स्थिर-आकार के इंटरैक्शन में बदल देता है।

2.1 सैद्धांतिक आधार (Theoretical Foundation)

यह विधि एनर्जी डिस्टेंस ( $D_E$ ) पर आधारित है, जो वितरणों $P_\theta$ (जनरेटेड) और $Q$ (वास्तविक) के बीच एक उचित विसंगति (discrepancy) है। पॉपुलेशन ऑब्जेक्टिव $F(\theta) = \frac{1}{2} D_E^2(P_\theta, Q)$ है।
इस ऑब्जेक्टिव का प्रथम वेरिएशन (first variation) एक पार्टिकल-वाइज डिसेंट वेक्टर फील्ड प्रदान करता है। एक जनरेटेड सैंपल (प्रोजेक्टाइल) $x_p$ के लिए, आदर्श वेलोसिटी फील्ड नेगेटिव 2-वॉसरस्टीन ग्रेडिएंट (negative 2-Wasserstein gradient) है:
$v_\theta(x_p) = \mathbb{E}_{x_r \sim Q} \left[ \frac{x_r - x_p}{\|x_r - x_p\|} \right] - \mathbb{E}_{x_s \sim P_\theta} \left[ \frac{x_s - x_p}{\|x_s - x_p\|} \right]$
यह फील्ड एक इंटर-सोर्स अट्रैक्शन (वास्तविक डेटा की ओर आकर्षण) और एक इंट्रा-सोर्स रिपल्शन (अन्य जनरेटेड सैंपल्स से प्रतिकर्षण) से बनी है।

2.2 द थ्री-बॉडी एस्टिमेटर (The Three-Body Estimator)

पूरे बैच पर एक्सपेक्टेशन की गणना करने के बजाय, TBSM प्रत्येक प्रोजेक्टाइल के लिए एक ट्रिपलेट का उपयोग करके इस फील्ड का अनुमान लगाता है:

प्रोजेक्टाइल ( $x_p$ ): एक जनरेटेड सैंपल $g_\theta(z, c)$ ।
रियल सोर्स ( $x_r$ ): वास्तविक वितरण $Q$ से एक सैंपल।
जनरेटेड सोर्स ( $x_s$ ): एक स्वतंत्र रूप से जनरेटेड सैंपल $g_\theta(z_s, c)$ जिसके ग्रेडिएंट्स को डिटैच (detached) किया गया है।

इंस्टेंट स्कैटरिंग वेक्टर को इस प्रकार परिभाषित किया गया है:
$\mathbf{b}_{v_{scat}} = \mathbf{b}_r - \mathbf{b}_s = \frac{x_r - x_p}{\|x_r - x_p\|} - \frac{x_s - x_p}{\|x_s - x_p\|}$
यह वेक्टर पॉपुलेशन फील्ड का एक अनबायस्ड एस्टिमेटर प्रदान करता है। जनरेटर को फ्रोजन-टारगेट रिग्रेशन के माध्यम से प्रशिक्षित किया जाता है: जनरेटर आउटपुट $x_p$ को एक डिटैच्ड टारगेट $x_{target} = x_p + \mathbf{b}_{v_{scat}}$ की ओर रिग्रेट किया जाता है।

2.3 de ट्रैक्ड स्कैटरिंग और ऑनलाइन एक्सपेक्टेशन (Tracked Scattering and Online Expectation)

इंस्टेंट एस्टिमेटर शोर युक्त (noisy) होता है। विचरण (variance) को कम करने के लिए, लेखक एक ऑनलाइन ट्रैकर $v_\phi$ पेश करते हैं जो स्कैटरिंग वेक्टर के कंडीशनल एक्सपेक्टेशन को अनुमानित करने के लिए सीखा जाता है।

क्वेरी स्ट्रैटेजी: ट्रैकर को $x_p$ और $x_r$ के बीच के "फेक-टू-रियल" कॉरिडोर में एक बिंदु $\tilde{x}$ पर क्वेरी किया जाता है, जिसे एक पैरामीटर $\lambda$ द्वारा नियंत्रित किया जाता है।
मिक्सिंग: अंतिम अपडेट वेक्टर इंस्टेंट वेक्टर और ट्रैक्ड वेक्टर का मिश्रण है: $\mathbf{b}_{mix} = (1-\rho)\mathbf{b}_{v_{scat}} + \rho v_\phi(\tilde{x})$ ।
सैद्धांतिक गारंटी: एनर्जी-डिस्टेंस एंडपॉइंट ( $\lambda=1$ ) पर, लेखक सटीक एरर डिकम्पोजिशन प्राप्त करते हैं जो दिखाते हैं कि मिश्रित वेक्टर का MSE, सोर्स वेरिएंस और ट्रैकर के एक्स्ट्रा रिस्क का भारित योग (weighted sum) है। फुल ट्रैकिंग ( $\rho=1$ ) राव-ब्लैकवेलइजेशन (Rao–Blackwellization) के रूप में कार्य करती है, जो सोर्स-सैंपलिंग वेरिएंस को समाप्त कर देती है यदि ट्रैकर एरर कम हो।

2.4 द जनरेटिव डिज़ाइन मैप (The Generative Design Map)

लेखक एक डिज़ाइन स्पेस को $(\rho, \lambda)$ द्वारा पैरामीटराइज करते हैं:

$\rho=0, \lambda=1$ : इंस्टेंट स्कैटरिंग (ड्रिफ्ट-जैसे डायनेमिक्स)।
$\rho=1, \lambda=1$ : ट्रैक्ड स्कैटरिंग (एनर्जी-डिस्टेंस एंडपॉइंट)।
$\rho=1, \lambda=0$ : फेक-टू-रियल इंटरपोलेशन (GAN-जैसे डिस्प्लेसमेंट एनालॉग)।
$\rho=0, \lambda=0$ : इंटर-ओनली अट्रैक्शन (डिफ्यूजन-संबंधित लेकिन भिन्न)।

3. मुख्य योगदान (Key Contributions)

हाई-डायमेंशनल थ्री-बॉडी स्कैटरिंग: यह शोध ऊर्जा-दूरी की गति को उच्च-आयामी वन-स्टेप जनरेटर्स के लिए स्थिर-आकार, फ्रोजन-टारगेट सुपरविजन में बदल देता है। यह पिक्सेल या लेटेंट आउटपुट्स की अनुमति देने के लिए फीचर स्पेस में फ्रोजन इमेज-रिप्रेजेंटेशन फील्ड्स (जैसे SigLIP, MAE) का उपयोग करता है।
ऑनलाइन ट्रैक्ड स्कैटरिंग: लेखक ट्रैकिंग को एक ऑनलाइन कंडीशनल-एक्सपेक्टेशन प्रोजेक्शन के रूप में प्रस्तुत करते हैं। वे सटीक फील्ड- और अपडेट-स्पेस एरर डिकम्पोजिशन प्राप्त करते हैं, यह सिद्ध करते हुए कि विशिष्ट मान्यताओं (स्लोप कंडीशंस, रिलेटिव ट्रैकिंग) के तहत, ट्रैक्ड स्कैटरिंग जनसंख्या ऊर्जा अपव्यय (population energy dissipation) को बनाए रखती है और अभिसरण करती है।
व्याख्यात्मक डिज़ाइन मैप: यह कार्य ड्रिफ्ट-जैसे डायनेमिक्स, GAN-जैसे डिस्प्लेसमेंट फील्ड्स और डिफ्यूजन-संबंधित सुपरविजन को एक ही स्टोकेस्टिक इंटरैक्शन मैकेनिज्म के माध्यम से जोड़ते हुए TBSM को एकीकृत करता है।
टीचर के बिना वन-स्टेप जनरेशन: डिस्ट्रिलेशन विधियों के विपरीत, TBSM के लिए किसी पाथ-मॉडल टीचर क्वेरी, निर्धारित डिनोइजिंग टारगेट, या एडवर्सरियल डिस्क्रिमिनेटर की आवश्यकता नहीं होती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखक ImageNet-256 और ImageNet-512 के साथ-साथ छोटे डेटासेट्स (MNIST, CIFAR-10) और टेक्स्ट-टू-इमेज कार्यों पर TBSM का मूल्यांकन करते हैं।

प्रदर्शन:
- ImageNet-256: पिक्सेल स्पेस में PixelDiT-XL बैकबोन का उपयोग करते हुए, TBSM NFE = 1 पर FID = 2.23 प्राप्त करता है। लेटेंट स्पेस में DiT-XL/2 बैकबोन का उपयोग करते हुए, यह NFE = 1 पर FID = 1.63 प्राप्त करता है।
- ImageNet-512: एक DiT-XL/4 मॉडल FID = 1.92 तक पहुँचता है।
- टेक्स्ट-टू-इमेज: केवल TBSM का उपयोग करके Qwen-Image-20B मॉडल को फाइन-ट्यून करने से NFE = 1 पर उच्च-गुणवत्ता वाले नमूने मिलते हैं।
एब्लेशन स्टडीज (Ablation Studies):
- रिप्रेजेंटेशन फील्ड्स: कई फ्रोजन एनकोडर्स (ResNet-18, SigLIP2-B, MAE-B) को मिलाने से सर्वश्रेष्ठ FID मिलता है, जबकि SigLIP2-B + MAE-B कम लागत के साथ सर्वश्रेष्ठ FDr6 और IS प्रदान करता है।
- डिज़ाइन मैप: ट्रैक्ड स्कैटरिंग कॉन्फ़िगरेशन ( $\rho=1, \lambda=1$ ) आम तौर पर सबसे कम FID देता है, जो सोर्स-सैंपलिंग नॉइज़ को सीखे गए फील्ड से बदलने के लाभ की पुष्टि करता है।
तुलना: TBSM अन्य वन-स्टेप विधियों (जैसे iCT, Shortcut, MeanFlow) के मुकाबले प्रतिस्पर्धी या उनसे बेहतर है और एक सिंगल स्टेप में इटरेटिव डिफ्यूजन मॉडल्स (जैसे ADM, VDM++) के प्रदर्शन के करीब पहुँचता है।

5. महत्व और दावे (Significance and Claims)

यह शोध दावा करता है कि ट्रैक्ड स्कैटरिंग उच्च-आयामी वन-स्टेप जनरेशन के लिए एक व्यवहार्य मार्ग स्थापित करती है। इसका महत्व निम्नलिखित में निहित है:

सैद्धांतिक एकीकरण: यह ऊर्जा-दूरी ग्रेडिएंट्स, पार्टिकल डायनेमिक्स और GAN-जैसे फील्ड्स को एक एकल स्टोकेस्टिक इंटरैक्शन मैकेनिज्म के माध्यम से जोड़ने वाला एक एकीकृत ढांचा प्रदान करता है।
दक्षता: सभी-जोड़ियों (all-pairs) के फील्ड के बजाय स्थिर-आकार के इंटरैक्शन ( $B$ के बैच के लिए $O(B)$ ) का उपयोग करके, यह पूर्ण पेयरवाइज डिस्टेंस मैट्रिसेस की द्विघातीय (quadratic) लागत के बिना उच्च आयामों तक कुशलतापूर्वक स्केल करता है।
सरलता: इसकी ट्रेनिंग पाइपलाइन एडवर्सरियल ट्रेनिंग, जटिल नॉइज़ शेड्यूल्स, या टीचर डिस्ट्रिलेशन से मुक्त है, जो सीधे एनर्जी डिस्टेंस से प्राप्त डिटैच्ड टारगेट के रिग्रेशन पर निर्भर करती है।

लेखकों द्वारा स्वीकार की गई सीमाएं (Limitations Acknowledged by the Authors):

अभिसरण गारंटी विशिष्ट मान्यताओं (सटीक $\lambda=1$ फील्ड, स्लोप इनइक्वैलिटीज, रियलाइजेबिलिटी) पर निर्भर करती है और सामान्य न्यूरल नेटवर्क ट्रेनिंग के लिए SGD के माध्यम से अभिसरण स्थापित नहीं करती है।
सहवर्ती कणों (coincident particles) के पास वेक्टर अनुमान शोर युक्त हो सकते हैं, जिसके लिए डिनोमीटर स्मूथिंग की आवश्यकता होती है जो ऑब्जेक्टिव ज्योमेट्री को बदल देता है।
ImageNet स्केल पर रैंडम इनिशियलाइजेशन से दक्षता का परीक्षण नहीं किया गया है; प्रयोग प्रारंभिक अवस्था के रूप में मल्टी-स्टेप चेकपॉइंट्स का उपयोग करते हैं।
रिप्रेजेंटेशन-स्पेस की प्रोपरनेस केवल प्रोजेक्टेड डिस्ट्रीब्यूशन के मिलान की गारंटी देती है, न कि पूर्ण इमेज लॉ (law) की, जो एनकोडर द्वारा सूचना प्रतिधारण (information retention) पर निर्भर करता है।
दृढ़ रूप से कंडीशनल सेटिंग्स में जहाँ एक कंडीशन के लिए एक नमूना होता है, एम्पिरिकल ऑब्जेक्टिव अतिरिक्त रेगुलाइजेशन या डेटा ऑग्मेंटेशन के बिना एकल युग्मित नमूने (paired sample) पर ओवरफिट हो सकता है।