ReSWD: ReSTIR처럼 흔들리지 않게. Reservoir Sampling과 Sliced Wasserstein Distance를 결합한 분산 감소

**분포 정합(distribution matching)**은 비전과 그래픽스의 핵심 과제지만, 고차원 분포에서 Wasserstein distance를 직접 계산하는 비용이 너무 크다. 이를 대체하는 **Sliced Wasserstein Distance(SWD)**는 더 확장 가능하지만, Monte Carlo estimator의 분산이 커서 gradient가 흔들리고 수렴이 느려진다.

이를 해결하기 위해 **Reservoir SWD(ReSWD)**를 제안한다. 이 방법은 Weighted Reservoir Sampling을 SWD에 통합해, 최적화 과정에서 정보가 많은 projection 방향을 더 잘 보존하도록 만든다. 그 결과 unbiased 특성을 유지하면서도 gradient가 더 안정적으로 바뀐다.

실험은 synthetic benchmark와 실제 과제인 color correction, diffusion guidance에서 진행됐다.

• ReSWD는 standard SWD보다 일관되게 더 나은 성능을 보였다.
• 기존의 다른 variance reduction baseline들도 함께 앞섰다.
• 핵심 효과는 더 적은 흔들림으로 더 빠르고 안정적인 최적화를 얻는 데 있다.