跳到主要内容
检索

# AnisoFlow各向异性流模型

1 篇关联报道

订阅更新
  1. arXiv

    流模型不再手选预测目标:AnisoFlow在ImageNet像素空间把FID从1.86降到1.55

    流匹配生成模型通常要人工选定预测目标——速度、噪声或干净数据,这一选择会明显影响训练与采样质量。AnisoFlow把速度目标中的噪声分量改为可学习:在一个与网络联合学习的正交基里,为每个方向单独赋予非负权重,再用闭式映射精确还原速度,网络结构、流匹配损失和采样器都不变。在ImageNet像素空间,仅学习预测目标就把JiT-H/16基线的FID从1.86降到1.55,且未使用表征对齐;在潜空间模型上则与默认目标表现相当。

已读完全部报道