对齐潜在几何形状以实现图像生成中的球流匹配

用于图像生成的潜在流匹配通常将高斯噪声沿着线性路径传输到变分自动编码器潜在。然而，两个端点都集中在薄球壳中，即使预处理对齐了它们的半径，欧几里得弦也会留下这些球壳。通过将每个潜在标记分解为径向和角度分量，我们通过分量交换探针表明，解码的感知和语义内容主要由方向承载，而半径的贡献要小得多。因此，我们将数据潜伏投影到固定的词元半径上，使用高斯噪声的径向投影作为球面先验，在编码器冻结的情况下微调解码器，并用球面线性插值替换线性插值。由此产生的测地线路径在每个时间步都停留在球体上，并且它们的速度目标纯粹是通过构造形成角度的。在匹配训练下，该方法持续改进不同图像标记器中的类条件 ImageNet-256 FID，保持扩散架构不变，并且不需要辅助编码器或表示对齐目标。