论文页面 - 非对称流模型

来源: https://huggingface.co/papers/2605.12964

摘要

非对称流建模能够通过将噪声预测限制在低秩子空间，同时保持全维数据预测，实现高效的高维基于流生成。通过对潜在模型进行有效微调，该方法在像素空间文生图任务中取得了卓越性能。

在 基于流的生成 高维空间中，速度预测 困难，因为即使数据具有强 低秩结构，它也需要建模 高维噪声。我们提出了非对称流建模 (AsymFlow)，一种 秩非对称速度参数化 方法，将噪声预测限制在低秩子空间，同时保持数据预测为全维。基于这种非对称预测，AsymFlow 可在不改变网络架构或训练/采样过程的情况下，解析地恢复全维速度。在 ImageNet 256×256 上，AsymFlow 取得了领先的 1.57 FID，大幅超越了先前的 DiT/JiT 类 像素扩散模型。AsymFlow 还首次为将预训练的 潜在流模型 微调为像素空间模型提供了可行路径：将低秩像素子空间与 潜在空间 对齐，可实现无缝初始化，保留潜在模型的高级语义和结构，从而使微调主要改善低级不匹配问题，而非重新学习像素生成。我们展示了从 FLUX.2 klein 9B 微调得到的像素 AsymFlow 模型在像素空间 文生图生成 上建立了新的最先进水平，在 HPSv3、DPG-Bench 和 GenEval 上超越了其潜在基础模型，同时在定性上展现出显著提升的视觉真实感。

查看 arXiv 页面查看 PDF项目页面GitHub 290添加到收藏

在您的 agent 中获取本文：

hf papers read 2605\.12964

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

引用该论文的模型2

Lakonik/AsymFlow-ImageNet 更新于大约2小时前 (https://huggingface.co/Lakonik/AsymFlow-ImageNet)

Lakonik/AsymFLUX.2-klein-9B 文生图• 更新于大约2小时前 • 2 (https://huggingface.co/Lakonik/AsymFLUX.2-klein-9B)

引用该论文的数据集0

没有数据集链接本文

请在数据集 README.md 中引用 arxiv.org/abs/2605.12964，以便在此页面建立链接。

引用该论文的 Space1

包含该论文的收藏集0

没有包含本文的收藏集

将本文添加到一个 收藏集 中，以便在此页面建立链接。