对齐你的流：扩展连续时间流图蒸馏

基于扩散和流的模型已成为最先进的生成建模方法，但它们需要许多采样步骤。一致性模型可以将这些模型精炼成高效的单步生成器；然而，与基于流和扩散的方法不同，当增加步数时，它们的性能不可避免地会下降，这一点我们通过分析和实证都得到了证明。流映射通过在一个步骤中连接任意两个噪声级别来推广这些方法，并在所有步数下保持有效。在本文中，我们介绍了两种用于训练流映射的新的连续时间目标，以及额外的新颖训练技术，从而推广了现有的一致性和流匹配目标。我们进一步证明，自动引导（autoguidance）可以提高性能，即在蒸馏过程中使用低质量模型进行引导，并且通过对抗性微调可以获得额外的提升，同时样本多样性损失最小。我们在具有挑战性的图像生成基准上广泛验证了我们的流映射模型（命名为 Align Your Flow），并使用小型高效的神经网络，在 ImageNet 64x64 和 512x512 上均实现了最先进的少步生成性能。最后，我们展示了文本到图像的流映射模型，其在文本条件合成方面超越了所有现有非对抗性训练的少步采样器。