ReCouple提出Flow Matching免Rollout后训练框架

Soon Hoe Lim、Aditi Gupta、Michael W. Mahoney 和 N. Benjamin Erichson 提出 ReCouple，通过构建粗粒度最优传输（OT）耦合，研究无需 rollout 的 Flow Matching 后训练方法，并扩展出 ReCouple+ 和 ReCouple++ 两个版本。 Flow Matching 的生成效果取决于源样本与目标样本的配对方式。ReCouple+ 通过提高源分布分辨率扩展到连续源场景，并在适当极限下趋近半离散 OT；ReCouple++ 则进一步加入空间正则化，以处理直线轨迹不一定对应空间上简单的速度场这一问题。 实验揭示，耦合的 OT 最优性、神经网络的可实现性与生成质量之间存在随函数评估次数（NFE）变化的关系。更接近 OT 的耦合并不一定持续提升采样质量，尤其在 NFE 较低时。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。