[论文解读] FlowConsist: Make Your Flow Consistent with Real Trajectory

Tianyi Zhang, Chengcheng Liu+6 more|arXiv (Cornell University)|Feb 6, 2026

Generative Adversarial Networks and Image Synthesis被引用 0

一句话总结

FlowConsist 通过使用模型预测的边际速度和轨迹整 rectify 策略，在快速流模型中强制轨迹一致性，在仅需 1 次采样的情况下实现 ImageNet 256×256 的最新结果。

ABSTRACT

Fast flow models accelerate the iterative sampling process by learning to directly predict ODE path integrals, enabling one-step or few-step generation. However, we argue that current fast-flow training paradigms suffer from two fundamental issues. First, conditional velocities constructed from randomly paired noise-data samples introduce systematic trajectory drift, preventing models from following a consistent ODE path. Second, the model's approximation errors accumulate over time steps, leading to severe deviations across long time intervals. To address these issues, we propose FlowConsist, a training framework designed to enforce trajectory consistency in fast flows. We propose a principled alternative that replaces conditional velocities with the marginal velocities predicted by the model itself, aligning optimization with the true trajectory. To further address error accumulation over time steps, we introduce a trajectory rectification strategy that aligns the marginal distributions of generated and real samples at every time step along the trajectory. Our method establishes a new state-of-the-art on ImageNet 256$ imes$256, achieving an FID of 1.52 with only 1 sampling step.

研究动机与目标

• 识别现有快速流训练导致轨迹漂移和误差累积的原因。
• 提出一种训练范式，使优化与真实轨迹对齐，使用边际速度。
• 引入轨迹整 rectify 策略，使每个时间步生成分布与真实分布匹配。
• 在 ImageNet 256×256 上以最少的采样步数展示最先进的性能。

提出的方法

• 将条件速度（噪声–数据对）替换为模型本身预测的边际速度。
• 开发轨迹整 rectify 策略，使在轨迹的每个时间步上生成样本的边际分布与真实分布对齐。
• 该方法旨在在快速流模型训练过程中强制轨迹的一致性。
• 在 ImageNet 256×256 上评估，以证明少步采样带来的生成保真度提升。

实验结果

研究问题

• RQ1 条件速度表述如何在快速流模型中导致轨迹漂移？
• RQ2 模型本身预测的边际速度是否能更好地使优化与真实轨迹对齐？
• RQ3 轨迹整 rectify 是否减少随时间步的误差累积？
• RQ4 在高分辨率图像合成中，采用最少采样步数的性能影响如何？
• RQ5 FlowConsist 是否在 1 次采样下在 ImageNet 256×256 实现了最先进结果？

主要发现

• FlowConsist 通过使用模型预测的边际速度减轻轨迹漂移。
• 轨迹整 rectify 使每个时间步的生成边际分布与真实边际分布对齐，减少误差累积。
• 该方法在仅有 1 次采样步时在 ImageNet 256×256 上达到最先进的 FID（FID 1.52）。