基于热扩散流匹配的多尺度生成模型
计算机视觉与模式识别
2026-05-20 v1 人工智能
摘要
扩散模型在图像生成中广泛应用，大多数依赖基于噪声的破坏和去噪。另一个分支则使用模糊作为主要破坏方式，通过提供多尺度先验，保留更好的颜色预算和多尺度细节。然而，基于模糊的模型仍停留在基于SDE的框架中，尚未集成到如Flow Matching（FM）这样的基于ODE的框架中。同时，在基于模糊的表述中，经典的逆热扩散（IHD）过程面临着不确定性挑战。此外，在数据流形假设下，从高维噪声（或速度）空间回归模糊图像也具有挑战性。我们提出了热扩散流匹配（HDFM），将连续的模糊（热扩散）过程引入FM，以注入多尺度先验。HDFM将插值热扩散路径对齐以解决不确定性问题，并采用x-预测来缓解高维回归的困难。 toy实验和消融研究表明，HDFM始终从模糊和x-预测中受益。HDFM在所有数据集上的性能均优于大多数基线方法。
引用
@article{arxiv.2605.19371,
title = {Multi-Scale Generative Modeling with Heat Dissipation Flow Matching},
author = {Jun Ma and Hanquan Zhang and Yanjun Qin and Haoyuan Guan and Ke Zhang},
journal= {arXiv preprint arXiv:2605.19371},
year = {2026}
}