Normalizing Flow Maps

arXiv:2610.22711v1 公告类型：新论文 摘要：可扩展的神经动力系统学习方法，使扩散模型、流匹配和少步生成器中的流映射成为生成建模的前沿。这些最先进的模型虽然源自利用可处理似然的经典生成建模方法（例如 Normalizing Flows 和 Autoregressive models），但对显式模型密度的获取仍然有限。本文将少步生成与可处理的样本似然这两条研究脉络结合起来，提出 Normalizing Flow Maps（NFM）：一种完全可逆的推前映射，其泛化了归一化流和流映射。更具体地说，NFM 学习底层动力系统的积分器，但关键在于，它从构造上实现了高效且精确的似然评估。为实现 NFM 的可扩展训练，我们推导出 NFM 固有的两个互补一致性维度，并据此得到（自）蒸馏目标：(1) 点匹配，从而可以使用基于 $\ell_2$ 的流映射式回归损失；(2) 分布匹配，使推前分布与预先指定的正向过程的边缘分布相匹配。在 CIFAR-10 和 ImageNet-64 上的条件图像生成任务中，在参数量相当的归一化流模型中，NFM 实现了最先进的样本质量，同时支持基于似然的 RLHF。在 Boltzmann Generators 的平衡采样任务中，NFM 在单系统和可迁移肽基准测试上均优于此前最先进的归一化流模型。