连续对抗平均流传输

由于两个原因，用有限的数据在新领域训练快速生成器仍然具有挑战性。首先，将预训练的扩散或流动模型适应新的领域，其昂贵的多步采样未得到解决，并且现有的加速方法与源参数化（$ε$、$x$、$v$ 或 $u$）相关联，使得异构预训练模型没有共同的加速目标。其次，虽然对抗性细化被证明对少步质量有效，但它仅适用于瞬时速度流，不适用于 MeanFlow (MF) 模型预测的有限间隔平均速度。我们解决这两个问题。我们提出 MeanFlow-Transfer，它将异构源输出映射到共享速度表示，使用它从源权重初始化 MF 生成器，并优化目标域上的 MF 目标。这将各种预训练模型的适应和加速统一在单个训练循环中。然后，我们介绍连续对抗平均流，这是一个 后训练 阶段，它将连续对抗流模型从瞬时速度扩展到 MF 的有限间隔平均速度。 CAMF 对比真实区间端点和预测区间端点之间习得电位的变化，恢复 MF 回归平均掉的精细细节，并简化为消失区间极限中的瞬时标准。将四种基于 ImageNet 的源模型 - DiT ($ε$)、SiT ($v$)、JiT ($x$)、iMF ($u$) 调整到五个目标域，带有 CAMF 的 MF-T 与 FID 和 FDD 中的微调教师相匹配或超过，神经功能评估 (NFE) 减少高达 $125\times$，而 CAMF 将 MF-T 的少步 FID 提高了 $29\%$平均。