一种基于神经网络二阶辛克霍恩梯度流加速图像生成方法

本发明公开了一种基于神经网络二阶辛克霍恩梯度流加速图像生成方法。本发明利用神经二阶辛克霍恩梯度流2‑NSGF模型，参数化二阶沃森斯坦梯度流中与辛克霍恩散度相关的时间变化动量场，从而实现高效推断和仿真。通过对源和目标分布样本的利用，2‑NSGF模型可以实时生成和细化仿真数据，降低传统方法的计算复杂度。此外，通过引入两阶段2‑NSGF++模型，进一步优化了处理高维数据集的效率，提高了仿真精度和速度。本发明提供了一种高效的数据处理技术，适用于机器学习领域的多种应用，如图像生成、风格迁移和音频‑文本转换等。本发明显著提高了图像生成效率；无需依赖核函数，降低了复杂度；提升了样本质量和生成稳定性。