能量引导流匹配

像素空间生成模型绕过有损潜在压缩，但需要在高维空间中联合学习全局结构和细粒度细节。标准流匹配将噪声插值到固定的干净图像端点，从而隐式学习光谱演化。在本文中，我们引入了能量引导流匹配（EG-FM），它通过移动端点来显式地建模从粗到细的生成轨迹。具体来说，EG-FM 用热核过滤端点取代了固定端点，可以从低频图像平滑地演变为干净图像。移动端点中的高频信号部分由图像特定的能量引导调度释放，从而导致流匹配中的速度重新定位。我们的框架不需要调整主干和训练数据，在训练和推理阶段带来的成本可以忽略不计。在我们的实验中，EG-FM 在 ImageNet 类条件图像生成任务上始终在256×256分辨率下在更少的轮次内实现了较低的 FID，在 200 轮次时达到了 1.55 的 FID，在 600 轮次时达到了 1.45。我们继续在 $512 × 512$ 分辨率的设置上训练生成任务，仅在 40 个高分辨率适应轮次后就产生了 1.58 的 FID。此外，我们将 EG-FM 转移到文本到图像的生成上，并在 GenEval 得分上达到 0.85，在 DPG-Bench 上达到 83.9。代码可在 https://github.com/ysng123/EG-FM 获取。