Contextual Flow Matching：用于高效视觉生成的自适应步数选择
Contextual Flow Matching: Adaptive Step Selection in Flow Models for Efficient Visual Generation
精选理由
无需重训即可自适应推理步数，兼顾图像视频质量与效率，最高加速2.5倍。
AI 摘要
Flow Matching 通过连续时间动力学实现高质量视觉生成，但由于需要进行多次顺序函数评估，推理过程的成本仍然较高。现有的加速方法虽能减少函数评估次数，但通常会引入额外的训练开销、降低生成质量，或无法考虑输入依赖的差异性。我们提出 COFLOW，这是一种在推理时根据提示特征为每次生成自适应选择步数的方法。我们的上下文感知 COFLOW 通过无监督奖励进行在线训练，在推理效率与生成保真度之间实现平衡。该方法即插即用，无需重新训练底层生成模型。它可推广至图像和视频生成，在保持感知质量与语义质量的同时，实现超过 2.5 倍的加速。我们进一步进行了理论分析，证明在标准正则性条件下，forward-Euler 离散化误差满足 O(1/K) 的上界。