牛津等团队提出 Global Transport 耦合,ImageNet FID 从 2.06 降到 1.91
mmbronstein · x · 2026-10-15
- Oxford、Mila、MIT、AITHYRA 等机构(含 Michael Bronstein)发布预印本《Global Transport Couplings for Classifier-Free Guided Flows》。
- 流匹配模型通常随机配对噪声与训练图像,在强 classifier-free guidance(CFG)下会产生不稳定轨迹。论文提出 Global Transport(GT):一种全局、与类别无关的最优传输耦合,在整批数据上做噪声-图像匹配,不需要类别标签。
- 有趣的反转:GT 单独使用(无引导)反而降低性能;但与 CFG 结合后在各领域、模型规模和采样预算上一致提升生成质量,说明条件流的耦合设计应在推理所用的引导流下评估。
- 在 ImageNet-256 上,不改架构和采样器,FID 从 2.06 降至 1.91;覆盖离散类别与连续文本条件。这为条件生成提供了一个新的训练期优化轴。
所属事件:Global Transport 免标签耦合助力生成模型(3 条相关)→
「研究」频道最新
- 观察：AI 评测正从离线走向在线 — vboykis · 2026-10-15
- StartLux-Decision 发布:RL 训练的校准决策模型,27B 得分 72.8 — startlux-models · 2026-10-15
- 9 个月内三分之一的数学预印本由 AI 参与写作 — IgorCarron · 2026-10-15
- AAAI/ACM AIES 论文:访谈 15 名从业者揭示负责任 AI 实践何以难持续 — ChinasaTOkolo · 2026-10-15
- Schmidt Sciences 投 1000 万美元资助 19 个 AI 人文研究团队 — OdedRechavi · 2026-10-15
- Reddit 讨论：模型训练是不是「过拟合」杀死了创造力 — Expensive-Paint-9490 · 2026-10-15