校正噪声：一种使用正激励噪声的生成模型
机器学习
2025-11-13 v2
摘要
校正流(Rectified Flow, RF)已被广泛用于有效的生成模型。虽然RF主要基于概率流常微分方程(ODE)，但最近的研究表明，通过对采样使用逆时间随机微分方程(SDE)注入噪声可实现卓越的生成性能。灵感来自正激励噪声(pi-noise)，我们提出了一种创新的生成算法来训练 pi-noise 生成器，称为校正噪声(Rectified Noise, RN)，通过在预训练RF模型的速度场中注入 pi-noise 来提高生成性能。 After介绍校正噪声管道，预训练的RF模型可高效地转换为 pi-noise 生成器。我们通过在不同数据集上 various model architectures 进行大量实验验证了校正噪声。值得注意的是：(1)使用校正噪声的RF模型在ImageNet-1k上将 FID 从10.16降至9.05。(2)pi-noise 生成器的模型仅增加0.39%的训练参数即可实现性能提升。
引用
@article{arxiv.2511.07911,
title = {Rectified Noise: A Generative Model Using Positive-incentive Noise},
author = {Zhenyu Gu and Yanchen Xu and Sida Huang and Yubin Guo and Hongyuan Zhang},
journal= {arXiv preprint arXiv:2511.07911},
year = {2025}
}
备注
Accepted by AAAI 2026