生成建模与扩散
突破级
暂无讲解视频
收录解读
这篇论文针对 flow matching 的训练目标提出替代：用 adversarial objective 训练 continuous-time flow model，而不是固定 MSE 准则。它也可以作为已有 flow-matching 模型的 post-training 方法。
核心价值在于把判别器学习引入连续时间生成路径，使目标分布拟合更贴近样本质量指标。论文在 ImageNet 256px、latent/pixel SiT/JiT 以及 text-to-image 上显示显著指标提升。
按本库标准，它属于生成建模核心方法，因为它改变了 flow model 的后训练/训练目标，有可能成为 diffusion/flow 生成系统的可复用增强。
局限是 adversarial training 可能引入稳定性和模式覆盖问题，长期是否优于更简单的 flow matching 改进还需更大规模验证。