标签
本文介绍了SGFlow，一种为扩散模型学习流图的方法，该方法避免了可逆性约束和通过模型迭代的反向传播，在CIFAR上取得了有竞争力的FID分数，并具有经过证明的稳定点保证。
提出了Flow-Map GRPO，一种用于确定性少步流图生成器的在线RL后训练框架，引入了锚定随机流图组合（ASFMC）以在不改变原始模型参数化的情况下实现随机优化。在基于FLUX的MeanFlow和sCM上的实验表明，在基于奖励的、感知的和任务级别的指标上均有改进。
本文介绍了 GCCM，一种图对比一致性模型。该模型通过引入负样本对和特征扰动，缓解了一致性训练中的捷径问题，从而提升了生成图预测的效果。
OpenAI 推出 sCM（简化连续时间一致性模型），这是一种新方法，可将一致性模型扩展至 1.5B 参数，通过仅 2 个采样步骤生成高质量样本，相比扩散模型实现约 50 倍的加速。该方法展示了与最先进扩散模型相当的样本质量，同时有效采样计算量不足 10%。
OpenAI 展示了改进的一致性模型训练技术，无需蒸馏即可实现高质量单步图像生成，通过新型损失函数和训练策略在 CIFAR-10 和 ImageNet 64×64 上取得显著的 FID 改进。