Discrete Flow Matching
PulseAugur coverage of Discrete Flow Matching — every cluster mentioning Discrete Flow Matching across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
DFM-VLA 引入了用于机器人操作的迭代动作精炼
研究人员推出 DFM-VLA，一种利用离散流匹配迭代精炼动作令牌的新型机器人操作方法。与先前一次生成固定令牌的方法不同，DFM-VLA 对概率速度场进行建模，以动态更新整个动作序列。该系统集成了度量对齐动作分词器 (MAAT) 和两阶段解码策略，以提高预测精度。在各种数据集和实际任务上的实验证明了这种迭代精炼技术的有效性。
-
新研究探索离散流匹配和强化学习在生成模型中的应用
两篇研究论文探讨了生成模型方面的进展，重点关注离散结构和基于流的模型。第一篇论文引入了上下文加权离散流匹配，通过考虑局部上下文来提高离散数据上的生成质量，在OpenWebText上将生成困惑度降低了高达63%。第二篇论文（已被撤回）提出了SuperFlow，一个使用强化学习的框架，用于提高文本到图像生成流模型的训练效率和性能，显示出训练时间的显著缩短和优于现有模型的性能。
-
新的TR-CIE采样器在函数评估次数有限的情况下提高了离散流匹配的质量 · 已追踪3个来源
研究人员开发了一种名为时间重参数化累积强度外插（TR-CIE）采样器的新型采样方法，用于离散流匹配（DFM）。该方法旨在提高生成模型在离散状态空间上的采样质量，尤其是在函数评估次数有限的情况下。TR-CIE结合了基于调度的重参数化和累积强度外插规则，共同提高了累积强度的近似精度并减少了近似误差。该采样器每步需要一次函数评估，并在文本生成和文本到图像任务等各种基准测试中展示了改进的采样质量。
-
新的TTS研究探索离散流匹配以提高效率
两篇新研究论文探讨了零样本文本到语音（TTS）技术的进展，重点关注离散流匹配技术。第一篇论文介绍了DiFlow-TTS，一个使用离散流匹配方法来平衡生成质量和推理效率的框架，解决了自回归和连续空间基于流的模型存在的局限性。第二篇论文《Mask, Sample, Revise》提出了一种用于离散流匹配TTS的推理时堆栈，在不显式使用持续时间预测器的情况下，增强了从神经编解码器令牌生成语音的控制力和鲁棒性。
-
新的DFM框架推动生物序列设计
研究人员开发了一种名为离散流匹配（DFM）的新生成框架，用于设计生物序列。这种增强的DFM结合了领域特定偏好和基于潜在编辑的参数化，以处理可变长度序列并提供更精细的控制。该方法还包括一个潜在的无分类器引导机制和狄利克雷先验温度缩放，以改进生成。它在DNA和肽序列生成等任务中展示了最先进的性能。