关于流匹配指导的探讨

流匹配在图像生成到决策等各类生成任务中展现出状态-of-the-art 性能，其中能量引导（以下简称引导）至关重要。然而，流匹配的引导比其前驱扩散模型更为普遍且截然不同，因此通用流匹配的引导挑战仍悬而未解。本文提出了面向一般流匹配的首个引导框架。基于该框架，我们派生出可用于一般流匹配的一系列引导技术，包括新的训练-free 渐近精确引导、用于训练引导的新型训练损失，以及两类近似引导，后者涵盖经典梯度引导方法的特例。我们理论地研究了这些不同方法，为在不同场景中选择合适方法提供实践指南。在合成数据集、图像逆问题和离线强化学习实验中验证了我们提出引导方法的有效性，并确认了流匹配引导框架的正确性。复现实验的代码可在 https://github.com/AI4Science-WestlakeU/flow_guidance 获取。