MintFlow：面向约束流匹配的最小轨迹干预方法
事件
流匹配模型在生成建模上表现优异，但许多下游应用要求生成样本满足观测测量、物理定律等预设约束。现有约束采样器往往面临两难：强制满足约束会把样本大幅推离预训练数据分布。为此，研究者提出 MintFlow，一种免训练的约束采样框架，将约束执行重新表述为对预训练流轨迹的最小干预。
MintFlow 的核心思路是：寻找对中间流状态的最小扰动，使其在预训练流场下后续演化能够满足目标约束。由于只扰动流状态而保持预训练流场不变，方法在满足约束的同时把偏离预训练分布的程度降到最低。借助伴随（adjoint）表述，该扰动可写成闭式解，从而省去昂贵的迭代优化；同时 MintFlow 会自适应选择干预时刻，在所需扰动幅度与剩余流场对其放大效应之间取得平衡。
在生成视觉与物理系统建模的多项任务中，MintFlow 在约束满足度上具备竞争力，且对预训练生成分布的保持明显优于当前最先进的约束方法。这一结果对需要物理一致性或测量一致性的生成式应用具有参考价值，也提示约束采样可以在不重新训练模型的前提下实现。
来源
本条目由采集管线自动抓取并发布，完整内容见下方来源链接。
*采集源：arXiv cs.AI*