对抗流模型
机器学习
2026-05-13 v3 计算机视觉与模式识别
摘要
我们提出对抗流模型（adversarial flow models），这是一类属于对抗模型和流模型的生成模型。该方法支持原生单步和多步生成，并采用对抗目标进行训练。不同于传统 GAN，生成器被鼓励学习确定性的噪声到数据之间的映射。这显著稳定了对抗训练。不同于基于一致性的方法，本模型直接学习单步或少步生成，无需学习概率流在传播中的中间时间步。这保留了模型容量，避免误差累积。在 ImageNet-256px 上的相同 1NFE 设置下，我们的 B/2 模型接近基于一致性的 XL/2 模型性能，而我们的 XL/2 模型实现了 FID 为 2.38 的新纪录。我们 additionally 演示了 56 层和 112 层模型的端到端训练，无需任何中间监督，单次前向传播即可实现 FID 分别为 2.08 和 1.94，超越相应 28 层 2NFE 和 4NFE 模型，计算资源和参数数量相同。代码已公开于 https://github.com/ByteDance-Seed/Adversarial-Flow-Models
引用
@article{arxiv.2511.22475,
title = {Adversarial Flow Models},
author = {Shanchuan Lin and Ceyuan Yang and Zhijie Lin and Hao Chen and Haoqi Fan},
journal= {arXiv preprint arXiv:2511.22475},
year = {2026}
}
备注
ICML 2026