当前路径：/wiki/page/not-so-ot-flow
返回首页索引

Not-So-Optimal Transport Flow

Not-So-Optimal Transport Flows for 3D Point Cloud Generation（ICLR 2025）— 分析并改进 OT flow matching 在 3D 点云生成中的可扩展性，提出离线 superset OT 预计算 + 混合耦合策略。

Overview

  • 发布时间：ICLR 2025
  • 作者机构：CUHK + NVIDIA
  • 代码/项目：research.nvidia.com/labs/genair/not-so-ot-flow
  • 核心问题：现有 OT flow 方法在点云（N=2048+）上扩展性差，且 OT 耦合导致模型在 t=0 附近过于复杂

现有 OT 方案的局限

Minibatch OT

  • 需要搜索 N! 种排列，batch-level OT 只减少约 6% 的传输成本
  • 无法扩展到需要置换不变性的点云

Equivariant OT

  • 能显著降低 OT 距离，但计算复杂度 $O(B^2 N^3)$
  • B=1, N=2048 时每次 OT 计算需 2.2 秒，比独立耦合慢 40 倍

方法

1. 离线 Superset OT 预计算

  • 预采样稠密点 superset $X_1 \in \mathbb{R}^{M \times 3}$（M=100K）和噪声 superset $X_0$
  • M < 10K：用 Hungarian 精确求解
  • M > 10K：用 Wasserstein gradient flow 近似求解（GPU，~30秒）
  • 训练时随机子采样 subsample 获取训练对

2. Hybrid Coupling（混合耦合）

  • 对 OT 耦合的噪声样本注入小噪声：$x'_0 = \sqrt{1-\beta} x_0 + \sqrt{\beta} \epsilon$
  • β=0.2 时最优：平衡轨迹平直度与模型复杂度
  • 关键发现：非最优 OT（不是越优越好）反而生成质量更高

关键贡献

  • 指出 OT flow 训练中被忽视的问题：平直轨迹使 t=0 处的向量场 Lipchitz 过高
  • Hybrid coupling 使模型更易学习，同时保持相对平直的轨迹
  • 5 步推理即可完成合理 shape completion（其他方法需 50 步）

性能

  • 无条件生成：100 步时与其他方法持平，10-20 步时显著优于
  • Shape completion：5 步得到合理结果

Sources