CorrFlow：自校正流匹配

流匹配模型通过迭代式速度预测生成样本，但通常不会利用产生这些预测的中间表征对其进行重新审视。我们提出 CorrFlow，这是一种自校正流匹配框架，通过轻量级修正器复用这些信息。在 rectified-flow 插值下，单步干净预测的误差等于实际速度残差乘以噪声水平。受这一恒等式启发，修正器根据基础模型在同一次前向传播中得到的干净预测、条件、噪声水平和隐藏状态，学习预测残差修正量。在每次采样更新之前，将该修正量加到基础速度上，使后续预测基于校正后的状态进行。该方法无需额外调用基础模型，每步仅需调用一次轻量级修正器。我们的理论分析建立了相应条件：在这些条件下，特征复用优于基于原始输入的仿射预测器；在匹配的训练计算预算下，训练修正器相比继续训练基础模型能够实现更大的残差风险降低。在类条件图像生成、文本到视频生成和图像到视频生成任务上的实验表明，与相应的基础模型相比，该方法 consistently 带来改进，包括视觉质量和物理一致性方面的提升。项目主页：https://fogradio.github.io/corrflow-project