论文页面 - FlowBender: 面向自修正条件流的反馈感知训练

来源：https://huggingface.co/papers/2606.20404

摘要

FlowBender 是一个闭环框架，通过训练网络利用推理时的反馈来修正对齐误差，从而解决扩散模型和流模型中的约束满足问题，在多个任务上均优于传统的监督方法和基于引导的方法。

条件扩散模型与流模型（https://huggingface.co/papers?q=flow%20models）常常无法满足定义其任务本身的约束条件。例如，一个深度条件模型生成的图像，其重新提取的深度常与输入深度不一致，即便用于定义约束的前向算子——深度预测器——在训练和推理阶段都是可用的。现有方法大致分为两类：一类是监督模型，将条件信号视为静态线索，在推理时忽略对齐信息；另一类是基于引导的方法，通过手工调整的线性更新来查阅该信息，通常需要在条件保真度和生成样本的合理性之间进行权衡。我们认为，这两种范式的根本差距在于模型从未被训练去利用自身的对齐误差（https://huggingface.co/papers?q=alignment%20error）。我们提出 FlowBender，这是一个闭环框架（https://huggingface.co/papers?q=closed-loop%20framework），它将这种误差作为一等输入，训练网络学习一个以推理时反馈为条件的修正策略。在每个步骤中，一次无引导的前瞻传递（https://huggingface.co/papers?q=unguided%20look-ahead%20pass）估计出干净信号，通过前向算子计算出任务特定的偏差，然后一次精炼传递（https://huggingface.co/papers?q=refinement%20pass）接收该信号并生成修正后的速度。我们提出了 FlowBender 的几种变体，包括针对可微算子的基于梯度的公式（https://huggingface.co/papers?q=gradient-based%20formulation），以及针对 JPEG 压缩等不可微场景的零阶变体（https://huggingface.co/papers?q=zero-order%20variant）。为了实现高效采样，我们引入了一种前一步捷径，使得闭环修正仅需极少的额外计算成本。在图像到图像翻译（https://huggingface.co/papers?q=image-to-image%20translation）、图像恢复（https://huggingface.co/papers?q=restoration）和 3D 网格纹理贴图（https://huggingface.co/papers?q=3D%20mesh%20texturing）中，FlowBender 始终优于标准监督基线、基于对齐损失增强的训练以及最先进的推理时引导方法（https://huggingface.co/papers?q=inference-time%20guidance），同时提升保真度和合理性，而非在两者之间进行权衡。项目页面：https://flow-bender.github.io/

查看 arXiv 页面（https://arxiv.org/abs/2606.20404）查看 PDF（https://arxiv.org/pdf/2606.20404）项目页面（https://flow-bender.github.io/）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.20404）

在你的 agent 中获取这篇论文：

hf papers read 2606.20404

没有最新版 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2606.20404 即可从本页面链接。

引用此论文的数据集0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2606.20404 即可从本页面链接。

引用此论文的 Space0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2606.20404 即可从本页面链接。

包含此论文的收藏集1