Il prossimoProssima guida
Generazione vocale con abbinamento del flusso di Voicebox
IA audio
GUIDA AI visiva
Flow matching trains a time-dependent vector field that transports samples between probability distributions.
Ascolta questa guidaNarrato dall'IA · ~1 min
A learned ordinary differential equation can then map noise-like inputs toward data samples.
Flow matching provides a simulation-free objective for learning continuous normalizing flows. It trains a vector field along probability paths; conditional flow matching allows optimization using conditional paths while matching the desired marginal flow. Rectified flow learns transport paths and can be iteratively rectified to improve straightness. Stable Diffusion 3 describes a rectified-flow transformer. Results depend on path, model and solver choices.
Conditional flow matching constructs a tractable training objective using conditional probability paths.
A trained vector field can be integrated with a numerical ODE solver to generate samples.
Rectified flow studies straighter transport trajectories that can reduce sampling steps in evaluated settings.
Stable Diffusion 3 reports a rectified-flow transformer for text-to-image generation.
Compare flow-based and diffusion-based methods under matched model size, sample quality and solver evaluations. Report the probability path and integration scheme. The cited research does not show that flow matching always needs fewer steps or outperforms diffusion in every application.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Flow matching trains a time-dependent vector field that transports samples between probability distributions. A learned ordinary differential equation can then map noise-like inputs toward data samples.
L'abbinamento del flusso fa regredire un campo di velocità dipendente dal tempo che descrive la direzione e la velocità con cui trasportare i campioni dal rumore alla distribuzione dei dati.
La generazione inizia da un campione di rumore e integra numericamente l'ODE (campo di velocità) appreso per raggiungere un campione di dati.
Condizionando un campione di dati e costruendo un percorso facile (ad esempio, una linea retta) con una velocità nota, l'obiettivo marginale altrimenti intrattabile diventa una semplice regressione.
È possibile integrare accuratamente percorsi più diretti con pochissimi passaggi, riducendo drasticamente il numero di valutazioni della rete al momento del campionamento.
The cited Scaling Rectified Flow Transformers paper describes Stable Diffusion 3. The sources in this quiz do not establish the same claim for Flux, so this question is scoped to SD3.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Generazione vocale con abbinamento del flusso di Voicebox
IA audio