PulseAugur
中
实时 16:33:43

新理论解决了MeanFlow生成模型中的不稳定性问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个理论框架来解决MeanFlow训练中的不稳定性问题，MeanFlow是一种单步生成建模技术。他们发现损失函数中错误地使用了条件速度场，该速度场以不正确的系数扮演了两个统计角色。该研究推导出了最优系数，并证明了各种并发修复方法都是该最优值的实际实现。应用此优化系数可显著提高样本质量，并导致潜在扩散Transformer（latent Diffusion Transformers）中FID趋势的单调性。 AI

影响 为MeanFlow训练中的不稳定性引入了理论修复，有望提高生成式AI的样本质量和模型性能。

排序理由 该集群包含一篇学术论文，详细介绍了特定机器学习技术的理论进展和实验验证。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新理论解决了MeanFlow生成模型中的不稳定性问题

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Ziran Wang ·

    On Variance Reduction in Learning Mean Flows

    One-step generative modeling has emerged as a leading approach to amortize the inference cost of diffusion and flow-matching models. Among distillation-free methods, MeanFlow training is notoriously unstable, with non-decreasing loss and unbounded gradient variance. In this work,…

相关实体

相关话题