基于时间成对一致性的方差降低流匹配
机器学习
2026-02-23 v2 人工智能
计算机视觉与模式识别
摘要
连续时间生成模型，如扩散模型、流匹配和均匀流，学习时间依赖向量场，但通常以独立处理每个时间步的目标进行训练，导致高估计方差和低效采样。先前方法通过显式光滑惩罚、轨迹正则化或修改概率路径和求解器来缓解这一问题。我们引入时间成对一致性（Temporal Pair Consistency, TPC），一种轻量级方差降低原则，通过沿同一概率路径的配对时间步耦合速度预测，完全在估计器层面实现，而无需修改模型架构、概率路径或求解器。我们提供理论分析表明，TPC 引入二次、轨迹耦合的正则化，可在保持基本流匹配目标的同时，provably 减少梯度方差。在流匹配中实现后，TPC 在 CIFAR-10 和 ImageNet 多个分辨率上提升样本质量和效率，实现了相同或更低计算成本下的更低 FID 分数，并可无缝扩展到现代 SOTA 风格管道，包括噪声增强训练、基于得分的去噪和均匀流。
引用
@article{arxiv.2602.04908,
title = {Temporal Pair Consistency for Variance-Reduced Flow Matching},
author = {Chika Maduabuchi and Jindong Wang},
journal= {arXiv preprint arXiv:2602.04908},
year = {2026}
}