对于高维感知数据，扩散模型生成通过将数据从噪声逆向转换而得，并已成为一种强大的生成建模技术。最近，矫正流是一种将数据和噪声连接在一条直线上的生成模型表达形式。本研究通过偏向感知相关尺度来改进现有的噪声采样技术，以训练矫正流模型。通过大规模研究，我们证明了这种方法相对于已有的扩散公式在高分辨率文本到图像合成方面的优越性能。此外，我们提出了一种基于 Transformer 的文本到图像生成架构，该架构利用了两种模态的不同权重，并实现了图像和文本记号之间的双向信息流，从而改善了文本理解、排版和人体偏好评级。我们证明了这种架构遵循可预测的扩展趋势，并通过各种度量标准和人体评估来证实验证损失越低，文本到图像合成越好。我们的最大模型超过了现有的最先进模型，我们将公开我们的实验数据、代码和模型权重。

Mar, 2024

改进的矫正流训练方法在低 NFE 下能够与知识蒸馏方法竞争，实现了较高的图像生成质量和性能。

May, 2024

我们介绍了修正流 (即沿最短路径连接两个分布的神经常微分方程模型) 的概念及其在各种相关任务中的应用，它能够为生成建模和域迁移等提供统一解决方案，并且在图像生成、图像翻译和域适应方面表现出优秀的性能。

Sep, 2022

Language Rectified Flow 是一种基于标准概率流模型改进的方法，通过学习（神经）常微分方程模型在源分布和目标分布之间进行转换，提供了生成建模和领域转换的统一有效解决方案。实验证明该方法在多个 NLP 任务中能够持续优于其基准方法，显示出普适性、有效性和益处。

Mar, 2024

VoiceFlow 是一种声学模型，利用修正流匹配算法实现高质量综合音频的有限采样步骤，比扩散对应模型具有更好的合成质量。

Sep, 2023

透过使用 Rectified Flow 方法，本论文将 Stable Diffusion (SD) 转变为一步模型，创造了首个具有 SD 水平图像质量的逐步扩散型文本到图像生成器 InstaFlow，并大幅超越先前的最先进技术 progressive distillation。

Sep, 2023

FlowIE 是一个基于流的简单而高效的图像增强框架，通过估计直线路径从一个分布到高质量图像，使用条件矫正流构建线性的一对多传输映射，加速推断，实现对预训练扩散模型丰富知识的充分利用，同时还设计了一种更快的推断算法，通过使用中点切线方向来优化路径估计，取得更优的视觉效果。经过综合实验对合成和真实数据集的严格验证，展示了 FlowIE 的显著功效和高效性。

Jun, 2024

通过预训练的流模型，利用理论上合理的加权方案，提出一种无需微调的图像逆向方法，显著减少了手动调整的工作量，并在高维数据集上进行了广泛测试，证明其在图像逆向中明显优于扩散模型的线性逆向方法。

Sep, 2023

扩散模型在图像生成和编辑领域取得了显著的成功。我们提出了一种创新的框架，其中包含一个修正模块，用残差特征调节扩散模型权重，以填补编辑过程中准确性的差距。此外，我们引入了一种新的学习范式，旨在在编辑过程中最小化错误传播。通过大量实验证明，我们的提议框架和训练策略在各种去噪步骤下实现了高保真的重建和编辑结果，并在定量指标和质量评估方面表现出色。此外，我们还通过图像到图像的转换和跨领域图像编辑等多个应用探索了模型的泛化能力。

Dec, 2023

利用分类器指导，我们研究了个性化图像生成的问题，并通过基于修正流框架的解决方法，实现了灵活个性化生成结果。

May, 2024