Flow Models
PulseAugur coverage of Flow Models — every cluster mentioning Flow Models across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新算法通过黑盒噪声优化对齐扩散模型和流模型
研究人员开发了一种新的基于信任域的搜索算法（TRS），用于在推理时将扩散模型和流模型与特定奖励对齐。该方法将生成模型和奖励模型视为黑盒，仅专注于优化源噪声。TRS在探索和利用之间取得了平衡，所需的超参数调整极少，并且在文本到图像生成、分子设计和蛋白质设计等各种生成任务中表现出通用性。评估表明，与基础模型和其他噪声优化技术相比，TRS显著改善了输出样本。
-
Momentum Guidance 提升流模型图像生成质量
研究人员推出了一种名为 Momentum Guidance (MG) 的新技术，旨在提升流模型生成的图像质量。MG 通过在 ODE 轨迹上推断当前速度来工作，在保持每步标准计算成本（一次评估）的同时提高了样本质量。该方法在 ImageNet-256 等基准测试中，在 Fréchet inception distance (FID) 等指标上取得了显著改进，并证明了其在应用于 Stable Diffusion 3 和 FLUX.1-de…
-
新的自引导方法提高了AI图像生成的多样性
研究人员开发了一种新的无需训练的方法，称为特征自引导，以解决用于图像生成的预训练流模型中的多样性崩溃问题。该技术在批量生成过程中分散内部特征，并使用流形正则化使其与数据流形保持一致，从而在不牺牲质量的情况下确保输出的多样性。这种即插即用模块的推理成本很小，并且在文本到图像和深度到图像生成等各种条件流模型的多样性方面显示出显著的改进。
-
LISA方法加速视觉生成AI模型训练 · 追踪3个来源
研究人员推出了一种新颖的正则化方法LISA（Likelihood Score Alignment），旨在提高视觉条件可控生成模型的效率和性能。LISA通过将辅助网络的中间特征与近似似然分数显式对齐，从而加速训练收敛并改善合成结果。该方法在各种图像和视频任务、架构以及扩散/流模型中均显示出一致的优势，且训练或推理成本可忽略不计。
-
FlowBender框架训练AI模型自我纠错
研究人员推出FlowBender，一个旨在提高条件扩散和流模型准确性的新框架。这种新方法训练模型利用自身的对齐误差作为输入，并基于推理时反馈学习纠错策略。FlowBender通过同时提高保真度和可信度，在图像到图像翻译、修复和3D网格纹理化方面持续优于现有方法。
-
AI代理加速电池和药物发现的分子设计
研究人员开发了新的AI代理用于分子设计，旨在加速科学发现。其中一个代理CLIO使用持续更新的信念状态图和递归的“计划-然后行动”循环，以识别其工具何时失效并调整其策略。该代理成功设计了一种用于水性有机氧化还原液流电池的新化合物，提高了其氧化还原电位和电化学可逆性。另一种方法，约束流优化（CFO），使扩散和流模型等生成模型适应，以在满足分子可合成性等约束的同时优化特定奖励。
-
NaviEdit通过将模型规模与编辑进度解耦来改进图像编辑
研究人员开发了NaviEdit，一种改进生成式图像编辑的新方法。NaviEdit将编辑过程与模型的规模解耦，从而在不牺牲结构完整性的情况下进行更具语义的编辑。这种无需训练的方法重新分配计算步骤，以关注语义相关的中间尺度，避免了不稳定的高噪声状态。实验表明，NaviEdit在各种编辑工具和流程骨干方面都有所改进。