论文页面 - 将一步图像生成从类别标签扩展到文本：基于判别式文本表示

来源：https://huggingface.co/papers/2604.18168

摘要

研究者通过引入强大的 LLM 文本编码器，将 MeanFlow 生成从类别标签扩展到文本输入，借助更具判别力的语义特征表示，克服少步精修的限制。

少步生成一直是长期目标，近期以 MeanFlow（https://huggingface.co/papers?q=MeanFlow）为代表的一步生成方法取得了显著成果。现有 MeanFlow 研究主要聚焦类别到图像生成（https://huggingface.co/papers?q=class-to-image%20generation）。然而，一个直观却未被探索的方向是将条件从固定的类别标签扩展到灵活的文本输入，从而实现更丰富的内容创作。与有限的类别标签相比，文本条件对模型理解能力提出更高要求，需将强大的文本编码器有效融入 MeanFlow 框架。令人惊讶的是，尽管引入文本条件看似直接，但采用常规训练策略整合强大的LLM 文本编码器（https://huggingface.co/papers?q=LLM-based%20text%20encoders）效果并不理想。为探究根本原因，我们进行详细分析，发现由于 MeanFlow 生成中精修步数（https://huggingface.co/papers?q=refinement%20steps）极少（仅一步），文本特征表示必须具备足够高的判别性（https://huggingface.co/papers?q=discriminability）。这也解释了为何离散且易区分的类别特征在 MeanFlow 框架中表现良好。基于这一洞察，我们利用已验证具备所需语义属性（https://huggingface.co/papers?q=semantic%20properties）的强大 LLM 文本编码器，并针对该框架调整 MeanFlow 生成流程，首次实现高效的文本条件合成（https://huggingface.co/papers?q=text-conditioned%20synthesis）。此外，我们在广泛使用的扩散模型（https://huggingface.co/papers?q=diffusion%20model）上验证方法，带来显著的生成性能提升（https://huggingface.co/papers?q=generation%20performance%20improvements）。希望本研究为未来文本条件 MeanFlow 生成提供通用且实用的参考。代码已开源：https://github.com/AMAP-ML/EMF。

查看 arXiv 页面（https://arxiv.org/abs/2604.18168）查看 PDF（https://arxiv.org/pdf/2604.18168）GitHub73（https://github.com/AMAP-ML/EMF）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2604.18168）

在智能体中获取该论文：

hf papers read 2604\.18168

未安装最新 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用该论文的模型 0

暂无模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2604.18168 即可在此页面显示。

引用该论文的数据集 0

暂无数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2604.18168 即可在此页面显示。

引用该论文的 Spaces 0

暂无 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2604.18168 即可在此页面显示。

收录该论文的合集 0

暂无合集收录此论文

将此论文添加到合集即可在此页面显示。