训练流匹配：权重与参数化的作用
计算机视觉与模式识别
2026-04-20 v2
摘要
我们研究基于去噪的生成模型训练目标，特别关注损失函数的加权方式和输出参数化形式，包括噪声、干净图像和速度等表述。通过系统性数值实验，我们分析这些训练选择如何与数据流形的内在维度、模型架构以及数据集规模相互作用。我们的实验覆盖具有可控几何特征的合成数据集以及图像数据，比较不同训练目标在去噪精度（不同噪声水平下的 PSNR）和生成质量（FID）上的表现。我们并不旨在提出新方法，而是消解影响流匹配模型训练的各种因素，以提供实际设计选择的指导。
引用
@article{arxiv.2603.06454,
title = {Training Flow Matching: The Role of Weighting and Parameterization},
author = {Anne Gagneux and Ségolène Martin and Rémi Gribonval and Mathurin Massias},
journal= {arXiv preprint arXiv:2603.06454},
year = {2026}
}
备注
Published as a paper at the 2nd DeLTa Workshop, ICLR 2026