无需训练 基于发散的采样的流量匹配细化

基于流的模型通过对边际速度场进行建模来学习目标分布，边际速度场定义为连接来自目标数据的简单先验样本的样本速度的平均值。然而，当样本速度在同一中间状态发生冲突时，这种平均速度可能会将样本误导到低密度区域，从而降低生成质量。为了解决这个问题，我们提出了流散度采样器（FDS），这是一个 无需训练 框架，可以在每个求解器步骤之前细化中间状态。我们的主要发现表明，这种误导的严重性是通过边际速度场的发散来量化的，边际速度场的发散在使用优化良好的模型进行推理期间很容易计算。 FDS 利用这一信号引导各国走向不太模糊的地区。作为与标准求解器和现成的流主干兼容的即插即用框架，FDS 持续提高各种生成任务（包括文本到图像合成和逆问题）的保真度。