稳定自主流匹配
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
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
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。
Feb, 2024
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
Fisher-Flow 是一种用于离散数据生成建模的新型流匹配模型，采用几何学观点，将离散数据视为在统计流形上的点，通过转移沿 $d$- 超球面上的（闭合形式）测地线上的质量来定义流，可以优化训练动力学，提高性能，并在合成和实际基因序列设计等多个领域中优于传统扩散和匹配模型。
May, 2024
该论文探讨了如何将物理先验知识加入数据驱动模型，提高模型的质量和稳定性，并以 Lyapunov 分析为视角，通过研究液体流动预测的典型问题，验证了保持 Lyapunov 稳定性的模型可以提高泛化性能并减少预测不确定性。
May, 2019
我们研究了基于 ODE 的生成模型（特别是流匹配），通过使用预训练的自编码网络将高维原始输入映射到低维潜在空间，再通过训练一个转换网络来预测从标准正态分布到目标潜在分布的变换速度场。我们的误差分析证明了这种方法的有效性，显示出通过估计 ODE 流生成的样本分布在温斯坦 - 2 距离下收敛到目标分布，在温和和实际的假设下。此外，我们还展示了具有李普希茨连续性的转换网络可以有效逼近任意平滑函数，这可能具有独立的兴趣。
Apr, 2024
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