AegisFlow：无需训练的非短视路径安全引导流匹配

预训练生成模型（如扩散模型和流匹配模型）已展现出合成高质量数据的卓越能力。然而，引导其生成轨迹以满足严格约束——例如图像编辑中的身份保持或机器人技术中的避障——仍然极具挑战。尽管近期的无需训练引导方法能够确保路径安全，但它们高度依赖最小范数控制器，而这类控制器只考虑即时约束满足。这些短视方法往往会产生次优轨迹，使轨迹危险地徘徊在边界附近，从而严重限制模型朝目标进行优化的能力。本文提出 AegisFlow，一种无需训练的非短视路径安全引导框架，将引导生成重新表述为具有全局视野的安全关键最优控制问题。通过将时变屏障函数直接整合到全局代价泛函中，AegisFlow 能够沿整个生成路径自然地施加约束。为计算全局最优控制，我们推导了 Hamilton-Jacobi-Bellman (HJB) 方程的一种易处理且具有数学依据的近似。全面实验表明，在文本引导图像操控和机器人规划任务中，AegisFlow 的表现均优于当前最先进的方法，在目标对齐与约束满足之间实现了显著更优的权衡。代码见 https://github.com/LiuKunpeng03/AegisFlow】【。