AdvFD：对抗式弗雷歇距离损失提升视觉生成

Fréchet距离最近已成为生成器后训练中一种有效的分布级目标，补充了传统的样本级扩散和流匹配损失。然而，直接优化Fréchet目标可能导致Fréchet黑客攻击。目标指标持续改善，但视觉质量和其他特征空间中的Fréchet对齐可能停滞或恶化。我们将此失败归因于现有Fréchet损失使用的静态预训练特征空间。这些特征空间提供了真实分布与生成分布之间差异的不完整且固定的视图。为解决此限制，我们提出了对抗性Fréchet距离（AdvFD），通过校准的对抗学习表示补充FD-Loss中的静态表示目标。AdvFD通过可学习的表示增强原始静态Fréchet目标，该表示对抗性地最大化真实样本与生成样本之间的Fréchet差异，而生成器在所得自适应特征空间中最小化相同差异。为防止对抗性表示通过特征放大琐碎地增加目标，我们进一步引入真实特征白化，以规范化其尺度和协方差几何，并稳定最小-最大优化。大量实验表明，AdvFD在JiT和pMF骨干网络以及不同模型规模上一致地改善了一步生成器后训练。