flow matching models
PulseAugur coverage of flow matching models — every cluster mentioning flow matching models across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新框架实现可解释的单细胞反事实编辑
研究人员开发了scCBGM，一种使用概念瓶颈生成模型的可解释单细胞反事实编辑的新框架。该方法将概念瓶颈架构应用于单细胞数据，并结合了解码器跳跃连接和交叉协方差惩罚以增强解耦。该框架已扩展到流匹配模型，允许在编码-解码和生成场景中进行概念引导编辑，并包含一个新的用于评估的合成基准。
-
New research advances flow matching models with theoretical and algorithmic improvements
Researchers have developed new theoretical foundations and practical algorithms for flow matching models, a type of generative model. One paper establishes convergence guarantees for neural network-parameterized conditi…
-
新框架使用奖励优化来擦除图像模型中的概念
研究人员推出了 FlowErase-RL，一个新颖的框架，将流匹配模型中的概念擦除重新构想为奖励优化问题。该方法利用动态双路径奖励机制来抑制不需要的概念，同时保持生成保真度和语义对齐。该方法在擦除裸露和特定风格等概念方面表现出了最先进的性能，在对抗性攻击方面表现出鲁棒性，并且在多概念场景中具有可扩展性。
-
FlowErase-RL 使用奖励优化来擦除图像模型中的概念
研究人员推出了一种名为 FlowErase-RL 的新颖框架，该框架将文本到图像生成模型中的概念擦除重新构建为奖励优化问题。该方法利用动态双路径奖励机制来抑制不需要的概念，同时保持图像质量和语义一致性。实验表明，FlowErase-RL 在擦除裸露和特定风格等概念方面取得了最先进的性能，并证明了其在多概念场景中对抗对抗性攻击的鲁棒性和可扩展性。
-
新的水印技术将信号嵌入生成模型动态中
研究人员开发了一种新颖的生成模型水印技术，该技术将信号直接嵌入到学习到的连续动态中，特别是流匹配模型的速度场。该方法将水印制定为在连续信道上的随机编码，在训练过程中添加一个依赖于密钥的扰动，该扰动不会改变生成的分布。在MNIST和CIFAR-10等标准数据集上的实验表明，该方法可以可靠地恢复消息并保持生成质量，而在没有密钥的情况下，解码准确率会下降到随机水平。
-
TRACE框架通过扩散和流匹配增强一致性预测
研究人员引入了TRACE，一个新颖的一致性预测框架，旨在处理多维输出。该方法通过在扩散和流匹配模型中对齐运输动力学来定义不一致性，避免了显式似然评估或可逆变换的需要。TRACE通过沿着随机轨迹平均误差来衡量候选输出与学习到的生成过程的对齐程度，为复杂分布提供了更灵活的方法。