Feb, 2024

智能流量匹配：流量匹配算法的理论及应用研究

PDF
TL;DR给出了一种最小化标准流失函数的向量场精确公式，该公式在给定的分布 ρ₀和未知分布 ρ₁的基础上进行了分析，并提出了一种新的损失函数和算法。与标准条件流匹配方法相比，通过蒙特卡罗采样方法评估时，我们的损失函数表现出较小的方差。通过对合成模型和大维度表格数据模型的数值实验证明了使用该算法能够获得更好的学习结果。
发现论文，激发创造
  • 扩展流匹配：一种具有广义连续方程的条件生成方法

    本文基于流匹配理论开发了基于流匹配的条件生成理论，通过广义连续性方程数学框架，匹配矩阵场而非向量场，确保生成的条件分布的连续性，并通过实验和数学结果验证了我们的理论。

    Feb, 2024

  • 多样本流匹配：用小批量耦合直线化流

    通过非简单合并数据和噪声样本的 Multisample Flow Matching 算法，我们可以在完全不需要模拟的情况下，通过一个简单的最小化目标函数构造概率路径，实现连续时间生成模型训练参数、生成高质量样本和高维传输映射等目标的综合优化。

    Apr, 2023

  • 生成建模中的流匹配

    基于连续归一化流的生成建模范例中，发现使用流匹配方法与扩散路径一起训练更具有鲁棒性和稳定性，并且可以开启使用优化运输插值定义的非扩散概率路径，该方法比传统扩散模型更适用于训练 ImageNet，并能快速生成可靠采样结果。

    Oct, 2022

  • 流动地图匹配

    基于动态测量输运的生成模型通过学习常微分方程或随机微分方程，将初始条件从已知基础分布推导到目标分布。我们介绍了流图匹配算法，通过学习潜在常微分方程的双时间流图，得到了一个高效的几步生成模型，其步数可以根据精度和计算成本进行灵活的调节。与扩散模型或随机插值方法相比，流图匹配方法能够以显著降低的采样成本生成高质量样本。

    Jun, 2024

  • 流匹配实现最小极大均衡收敛

    该论文讨论了流匹配在 $p$-Wasserstein 距离方面的收敛性质，通过研究一类更广泛的向量场的均值和方差函数，确定实现这些最优速率所必需的特定条件，并且证明了流匹配能够达到与扩散模型相当的收敛速率，从而为流匹配作为一种无需模拟的生成模型提供了第一条理论证据。

    May, 2024

  • LayoutFlow: 布局生成的流匹配

    利用流匹配作为替代现有的基于扩散的布局生成模型的方法，我们提出了一种名为 LayoutFlow 的高效基于流的模型，用于生成高质量的布局。通过逐渐移动或流动初始样本的元素直到达到最终预测，我们的方法学习替代了逐步去噪噪声布局的元素。此外，我们采用了一种条件方案，可以使用单个模型处理具有不同程度条件的各种生成任务。在经验上，LayoutFlow 与最先进的模型性能相当，同时速度显著提高。

    Mar, 2024

  • 潜空间中的流匹配

    本文提出了一种在预训练自编码器的潜在空间中应用流匹配的方法，以实现高分辨率图像合成的计算效率和可扩展性的提高，并将各种条件集成到流匹配中进行条件式生成任务，包括标签条件下的图像生成、图像修复和语义到图像的生成。通过大量实验，本方法在各种数据集上均具有定量和定性的有效性，并提供了重构潜在流分布与真实数据分布之间 Wasserstein-2 距离的理论控制。

    Jul, 2023

  • 最佳流匹配：一步学习直线轨迹

    发展流匹配方法用于生成模型，追求流的直线轨迹，实现最优输运位移；文章提出一种新颖的最优流匹配方法，在一步流匹配中恢复二次成本下的直线输运位移。

    Mar, 2024

  • 稳定自主流匹配

    本文研究了具有稳定数据点的深度生成模型和控制理论之间的联系，并使用随机稳定性工具对流匹配模型进行了特征化。

    Feb, 2024

  • 一般几何中的黎曼流匹配

    该文提出了 Riemannian Flow Matching (RFM) 框架，用于基于流的生成建模，可在流形上进行直接而有效的训练，并且在真实世界的非欧几里得数据集上达到了最先进的性能。

    Feb, 2023