稳定整流流反演的免费午餐

基于整流流(RF)的生成模型最近已成为传统扩散模型的强大替代方案，在各种任务中展现出最先进的性能。通过学习一个将简单噪声转换为复杂数据的连续速度场，基于RF的模型不仅能够实现高质量生成，还支持免训练反演，这有助于重建和编辑等下游任务。然而，现有的反演方法，例如基于RF的原始反演，会遭受跨时间步累积的近似误差，导致速度场不稳定以及重建和编辑质量下降。为了应对这一挑战，我们提出了近端均值反演(PMI)，一种免训练的梯度校正方法，通过将速度场引导至过去速度的滑动平均值，并在理论上推导出的球面高斯约束下，来稳定速度场。此外，我们引入了mimic-CFG，一种用于编辑任务的轻量级速度校正方案，它在当前速度与其到历史平均值的投影之间进行插值，平衡了编辑效果和结构一致性。在PIE-Bench上的大量实验表明，我们的方法显著提高了反演稳定性、图像重建质量和编辑保真度，同时减少了所需的神经函数评估次数。我们的方法在PIE-Bench上以更高的效率和理论合理性实现了最先进的性能。