论文页面 - Perceptual Flow Matching for Few-Step Generative Modeling

来源: https://huggingface.co/papers/2607.03524
发布于 7月3日

·

提交者 https://huggingface.co/simingfu

fu (https://huggingface.co/simingfu) 于 7月7日

摘要

感知流匹配通过在感知特征空间中监督流匹配，实现了高效的少步生成，以更少的采样步数获得高质量结果并提升精度。

我们提出感知流匹配（PFM），一种简单而有效的框架，用于流匹配模型中的少步生成。与在传统VAE潜在空间中进行速度回归不同，PFM利用预训练感知模型在感知特征空间中监督流匹配。这一简单改动显著提升了流匹配模型的少步生成能力，将采样步数从35-50步减少至4-8步，同时保持生成质量。与现有的加速和蒸馏方法不同，PFM既不需要教师模型，也不需要辅助评分网络，并且只需极少修改即可集成到标准流匹配训练流程中。在图像生成、视频生成和图像编辑任务上的大量实验表明，PFM始终能产生高质量结果，且相比现有蒸馏方法产生的伪影更少。我们进一步证明，感知监督将回归最小化器从均值追求转向模式追求，使预测偏向于在粗略少步积分下仍保持准确的流形上的模式。我们的结果表明，当在合适的表示空间中进行监督时，标准流匹配训练自然能够产生高质量的少步生成器。希望这一见解能激发未来对高效生成建模中表示感知目标的研究。

查看 arXiv 页面 (https://arxiv.org/abs/2607.03524)
查看 PDF (https://arxiv.org/pdf/2607.03524)
添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.03524)

在你的 agent 中获取此论文：

hf papers read 2607.03524

没有最新 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

请在模型 README.md 中引用 arxiv.org/abs/2607.03524 以从此页面链接。

引用此论文的数据集 0

没有数据集链接此论文

请在数据集 README.md 中引用 arxiv.org/abs/2607.03524 以从此页面链接。

引用此论文的 Spaces 0

没有 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2607.03524 以从此页面链接。

包含此论文的收藏 0

没有收藏包含此论文

将论文添加到收藏 (https://huggingface.co/new-collection) 以从此页面链接。