生成锚定场：基于涌现速度场和传输代数的受控数据生成
机器学习
2026-02-17 v2
摘要
我们提出生成锚定场（GAF），一种从线性桥任一点学习独立端点预测器的生成模型，其中J（噪声）和K（数据）。不同于使用单一轨迹或评分预测器的现有方法，GAF被训练直接通过坐标学习恢复桥端点。速度场从其时序条件下的不一致中涌现。这种分解使得可能通过对多个头部进行代数运算实现的“传输代数”成为可能。具有类别特定头部的GAF定义了在共享基础噪声分布与多个数据域之间建立的定向传输映射，允许可控插值、多类别组合和语义编辑。这通过两种方式实现：一种是直接在预测的数据坐标（）上使用迭代端点细化（IER），这是一种在5-8步内实现高质量生成的新型采样器；另一种是对涌现速度场（）进行操作。我们在ImageNet （FID 7.51）和CelebA-HQ （FID 7.27）上实现了卓越的样本质量（无需分类器自由引导），将组合生成视为一种架构原语。代码可在https://github.com/IDLabMedia/GAF获取。
引用
@article{arxiv.2511.22693,
title = {Generative Anchored Fields: Controlled Data Generation via Emergent Velocity Fields and Transport Algebra},
author = {Deressa Wodajo Deressa and Hannes Mareen and Peter Lambert and Glenn Van Wallendael},
journal= {arXiv preprint arXiv:2511.22693},
year = {2026}
}
备注
24 pages, 26 figures