跳到主要内容
检索

# 流匹配

67 篇关联报道

订阅更新
  1. arXiv

    脑电重建图像不再只靠对齐:让图像教师监督去噪过程,THINGS-EEG七项指标全面超过同骨干基线

    脑电到图像重建长期靠把脑电对齐到预训练视觉嵌入,再以此条件驱动生成器。该工作用检索实验说明,对齐变好并不等于重建变好:检索指标最多提升77,高层重建指标增益有限,低层保真度没有一致改善。为此先训练一个以DINOv2特征为条件的图像教师,把固定的编码器特征转成去噪过程中的中间表示,再让脑电条件的学生生成器在去噪时对齐这些动态目标,推理时丢弃教师。在THINGS-EEG十个被试上,该方法在全部七项指标上优于同一Brain-HiVE嵌入、无表示对齐的SiT-XL/2基线。

  2. arXiv

    Iris-Z 把深度并入图像生成:同一套权重在 Marigold 基准上平均 AbsRel 2.92,低于 MoGe-3 的 3.12

    Iris-Z 是一个通用图像生成器,把图像与深度编码进同一条 token 序列一起去噪,用一套权重同时完成生成图像、从照片估计深度和按给定深度画图。此前单目几何精度由 MoGe-3 这类专用 ViT 保持领先,把生成器改造成深度估计器的 Marigold 系列也落后于它。Iris-Z-big 在 Marigold 的基准集上平均 AbsRel 为 2.92,低于 MoGe-3 的 3.12,同时保留原有生成能力;代价是每张图约 15 秒,而 MoGe-3 约 0.41 秒。

  3. arXiv

    组织切片直接读出千基因表达:GeneFlow把推理算力压到0.31 GFLOPs

    从H&E染色组织图像推断空间基因表达,此前方法多依赖复杂架构与多阶段流程,且通常只覆盖约200个基因的固定面板。GeneFlow把流匹配生成模型与组织学、基因两路分词器结合,直接预测每个空间位点的表达谱,在四个公开数据集上取得最高PCC,PRAD的PCC-1000提升17.1%,可训练模块仅0.31 GFLOPs、单样本采样0.61秒。

  4. arXiv

    条件流匹配也能迁移:冻结源表示之外再加一层修正,五维响应上能量差异降26.4%

    条件流匹配在目标样本有限时,可以借用相关源总体学到的协变量表示。TFM-Freeze 固定源编码器、只训练目标速度头;TFM-Adapt 在函数锚定惩罚下联合学习速度头与表示修正。在五维相关表示的模拟中,源样本量为10000时,无惩罚的 TFM-Adapt 把能量差异从 TFM-Freeze 的0.3158降到0.2325,降幅26.4%;目标验证则用于在迁移无益时退回仅用目标数据的生成器。

  5. arXiv

    WaveGen把零样本TTS压成单模型:文本直出波形,Seed-en上WER 1.47、SIM 0.75

    WaveGen把零样本语音合成从多级流水线收回到单个扩散模型:文本直接生成原始波形,不再经过神经音频编解码器、梅尔声码器、VAE潜变量或时长预测器。它用Spectral Forcing在模型内部同时学习一条低分辨率频谱轨迹和目标波形轨迹,为高分辨率波形上的文本-语音对齐提供结构化引导。在Emilia开源数据、单阶段训练下,0.6B参数的WaveGen在Seed-en基准上取得WER 1.47和说话人相似度SIM 0.75。

  6. arXiv

    Duo v1把世界模型改成双向对话:17帧一块,边看用户边开口,还能被打断

    Duo v1 是一个全双工世界模型,它在持续接收用户音视频的同时实时生成助手的声音与画面。此前的世界模型多把智能放在世界之外,用户只能靠键盘、鼠标或文本提示操控场景,世界内部没有谁实时感知用户并决定如何回应。Duo v1 把交互切成 17 帧(24 fps 下约 0.71 秒)的块,由语言意图模块逐块决定说话还是等待,再由因果音视频模块生成对应的声音与画面;在 30 个实时双工案例、6 项二元标准的 180 次检查中通过 168 次,其中语言、语音清晰度和视觉身份三项共 90 次全部通过,内容回应性为 73.3%。

  7. arXiv

    约束采样不再反复修正端点:MAFM让锚点沿几何动力学连续收缩,五个PDE基准在满足容差时误差更低

    在推理阶段给预训练流匹配模型加等式约束时,常见做法是反复修正预测端点,但离散修正会扰动已学到的物理结构。MAFM改为让一个持续存在的端点锚点在常微分方程驱动下连续演化,把模型引导的切向运动与法向的约束吸引分开。在Poisson、Burgers、反应扩散、Euler和Navier–Stokes五个PDE基准上,MAFM都达到预设约束容差,并在同样满足容差的基线中取得更低的样本级相对误差。

  8. arXiv

    类星体周期信号检验换掉DRW零假设:Nullasar从光变曲线直接学噪声,AR(2)下AUC达0.9648

    类星体光变常被当作阻尼随机游走(DRW)来检验周期信号是否显著,但噪声模型选错会让显著性估计系统性偏移。Nullasar用流匹配从整批合成光变曲线中学习随机变异的统计结构,不预设噪声模型,再以单条观测曲线为条件生成零假设样本。在合成AR(2)光变上,它的周期检测AUC为0.9648(三次独立训练平均),高于逐条拟合AR(2)的0.9180;在AR(1)情形下与拟合正确DRW模型相当。

  9. arXiv

    无配对医学图像翻译拆成两步:结构先冻结,OCT到OCTA的PSNR最高提升11.2%

    无配对医学图像翻译此前把结构保持与外观生成压进同一个源到目标映射,缺少配对监督时容易丢失血管或扭曲黄斑无血管区。该工作把两者拆开:先学习一个跨模态共享的结构潜空间,再冻结结构编码器,用条件流模型只渲染目标模态外观。在OCT到OCTA与脑MR到CT两个任务上,它优于所有无配对基线,并在无配对训练下超过配对基线,OCT到OCTA的PSNR最高提升11.2%、SSIM最高提升26.4%。

  10. arXiv

    人形机器人不再等大模型算完:DASH把控制频率锁在20赫兹,0.8B到8B骨干都跟得上

    人形机器人操作中,视觉-语言-动作模型的大骨干推理慢,同步执行时机器人只能拿过时观测动作,骨干越大控制频率越低。DASH把策略拆成慢速视觉-语言模型与快速流匹配动作头,经LCM协议以三个并发进程运行,控制频率只由动作头决定。在按模拟时间计入推理延迟的RoboTwin基准上,DASH在0.8B到8B骨干下都保持20赫兹,同步管线则从9.7赫兹降到4.1赫兹,且各规模成功率更高;真实灵巧手人形上,抓放成功为23/24,同步管线为16/24。