发表机构
HUN-REN Alfréd Rényi Institute of Mathematics（匈牙利研究网络阿尔弗雷德·雷尼数学研究所）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本研究测试超线性Langevin扩散用于图像生成，发现其在Wasserstein距离上优于Ornstein-Uhlenbeck基线，表明后者难以被击败的结论不具普遍性。
AI 中文摘要
Brešar和Mijatović \cite{bresar2025} 表明，在排除超线性漂移的假设下，Ornstein--Uhlenbeck扩散在前向收敛方面难以被击败。我们转而测试超线性Langevin扩散用于基于分数的图像生成，通过Fokker--Planck方程数值计算其条件分数。在我们的实验中，超线性模型在经验Wasserstein距离上几乎在整个测试网格中击败了Ornstein--Uhlenbeck基线，并且在扩散时间跨度上表现出更小的变异性。因此，\cite{bresar2025} 的“难以被击败”结论并非普遍成立。
英文摘要
Brešar and Mijatović \cite{bresar2025} show that Ornstein--Uhlenbeck diffusion is hard to beat in forward convergence under assumptions that exclude superlinear drift. We instead test superlinear Langevin diffusions for score-based image generation, computing their conditional scores numerically from a Fokker--Planck equation. In our experiments, the superlinear models beat the Ornstein--Uhlenbeck baseline on empirical Wasserstein distance across nearly the entire tested grid and show less variation across diffusion horizons. The ``hard to beat'' verdict of \cite{bresar2025} thus fails to be universal.
