通过非梯度向量流学习流图 [pdf]

Hacker News Top 2026/04/23 02:52 论文

vector-flow flow-map non-gradient computer-vision

摘要

提出一种非梯度向量流方法来学习流图，可能旨在改进光流或运动估计任务。

暂无内容

查看缓存全文

缓存时间: 2026/04/23 03:46

来源：https://openreview.net/pdf?id=C1bkDPqvDW

相似文章

Hugging Face Daily Papers

价值梯度流（VGF）提出了一种可扩展的行为正则化强化学习方法，将其构建为通过离散梯度流求解的最优传输问题，在离线强化学习和大型语言模型强化学习基准测试中取得了最先进的成果。该方法消除了显式的策略参数化，同时通过控制传输预算实现了自适应的测试时缩放。

X AI KOLs Following

Naver AI 推出了 Stable-GFlowNet，这是一种通过对比轨迹平衡来消除生成流网络中不稳定的配分函数估计，从而改善 LLM 红队测试的方法。

arXiv cs.AI

本文介绍了 SDFlow，这是一种用于时间序列生成的相似性驱动流匹配框架，旨在解决自回归模型中的暴露偏差问题。通过在冻结的 VQ 潜在空间中进行低秩流形分解，SDFlow 实现了最先进的性能并显著提升了推理速度。

X AI KOLs Following

Meta 的 FAIR 团队发布了 Flowception 的代码，这是 CVPR 2026 的一篇论文，介绍了一种非自回归视频生成框架。该框架通过交错帧插入与连续去噪，减少了误差累积和计算成本。

arXiv cs.CL

本文介绍了 FLAS，这是一种基于流的激活引导方法，通过学习概念条件化的速度场，在推理时引导语言模型的激活。在 AxBench 基准测试中，FLAS 是首个无需针对特定概念进行微调，即可在未见概念上持续优于上下文提示（in-context prompting）的学习型方法。