路径与流共同演化：用随机正则改善预训练生成模型的流匹配

我们研究路径流对齐作为流匹配的统一 训练 目标。我们没有固定插值路径并仅学习速度场，而是使用相同的对齐损失联合训练端点保留路径网络和流网络：流学习匹配路径速度，路径学习将其速度与当前流对齐。尽管每个固定的学习路径都定义了有效的流匹配目标，但对齐损失本身并不是路径学习的可靠标准。我们确定了路径过度拟合，这是一种故障模式，其中对齐损失减少，而样本质量恶化。我们发现这种失败与诱导概率路径中的低熵瓶颈有关，其中学习路径通过过度集中的中间边缘路由样本。受此诊断的启发，我们引入了随机路径正则器，它隐藏路径网络中的部分源信息，同时保留精确的端点。由此产生的正则化为随机 训练 路径边缘提供了显式熵下限，并根据经验抑制了学习采样器中的瓶颈，从而使联合路径流 训练 有效。在具有 SiT 骨干模型 的 ImageNet-256x256 上，我们的方法在模型尺度上持续改进 FID，扩展到模型指导 训练，并保持 推理时 架构和采样器不变。代码可在 https://github.com/lizeyu090312/traj_opt_paper 获取