🔥 今日值得一读
无需训练、不偏离原分布！MintFlow用最小干预让流匹配模型精准满足约束
MintFlow: Minimal Trajectory Intervention for Constrained Flow Matching
👨💼 主理人解读 · 为什么值得关注
让扩散/流模型生成结果满足物理或测量约束，同时尽量不偏离原分布，可直接替换现有约束采样器。
📖 AI 总结
本文提出 MintFlow，一种无需训练的受限采样框架，用于解决流匹配模型在满足约束时偏离预训练数据分布的问题。其核心思路是将约束施加转化为对预训练流轨迹的最小干预：寻找中间流状态的最小扰动，使其在保持预训练流场不变的前提下，后续演化满足目标约束。作者通过伴随公式推导出该扰动的闭式解，避免了昂贵的迭代优化，并能自适应选择干预时刻，以平衡所需扰动幅度与其在剩余流中的放大效应。在生成视觉与物理系统建模等任务上，MintFlow 在实现有竞争力的约束满足的同时，显著优于现有最先进的受限方法，更好地保留了预训练生成分布。
🔑 关键词速览
| Flow Matching | 一种生成建模方法，通过学习一个连续流场将简单分布变换为数据分布。 |
| Constrained Sampling | 在生成过程中施加额外约束（如观测数据或物理规律）的采样方法。 |
| Minimal Intervention | 对预训练流轨迹进行最小程度的扰动，以在满足约束的同时减少分布偏移。 |
| Adjoint Formulation | 利用伴随方法推导出的数学表达式，用于高效计算所需扰动。 |
| Intervention Time | 在流轨迹中选择进行干预的时间点，以平衡扰动幅度和后续放大效应。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅