详细内容或原文请订阅后点击阅览
CAR-Flow：条件感知重新参数化调整源和目标以实现更好的流量匹配
条件生成建模旨在从包含数据条件对的样本中学习条件数据分布。为此，扩散和基于流动的方法已经取得了引人注目的结果。这些方法使用学习的（流）模型将忽略条件的初始标准高斯噪声传输到条件数据分布。因此，该模型需要学习质量传输和条件注射。为了缓解对模型的需求，我们提出了流量匹配的条件感知重新参数化（CAR-Flow）——一种轻量级的、学习性的转变，可以调节……
来源:Apple机器学习研究条件生成建模旨在从包含数据条件对的样本中学习条件数据分布。为此，扩散和基于流动的方法已经取得了引人注目的结果。这些方法使用学习的（流）模型将忽略条件的初始标准高斯噪声传输到条件数据分布。因此，该模型需要学习质量传输和条件注射。为了缓解对模型的需求，我们提出了流匹配的条件感知重新参数化（CAR-Flow）——一种轻量级的学习转变，可以调节源分布、目标分布或两者的分布。通过重新定位这些分布，CAR-Flow 缩短了模型必须学习的概率路径，从而加快了实践中的训练速度。在低维合成数据上，我们可视化并量化 CAR-Flow 的效果。在更高维的自然图像数据 (ImageNet-256) 上，为 SiT-XL/2 配备 CAR-Flow 将 FID 从 2.07 降低至 1.68，同时引入不到 0.6% 的额外参数。
- ** 在 Apple 期间完成的工作