青稞Talk 31预告！Rectified Flow：矫正流生成式模型的概念及应用实践

青稞2024-12-072024-12-07

Diffusion Generative Models(扩散式生成模型)已经在各种生成式建模任务中大放异彩，但是，其复杂的数学推导却常常让大家望而却步，缓慢的生成速度也极大地阻碍了研究的快速迭代和高效部署。

而且扩散式生成模型的一个众所周知的老大难问题就是生成速度慢：生成一张图需要模拟一整个基于复杂的深度模型的扩散过程。缓慢的生成速度是阻碍这些模型更广泛的普及的一个主要瓶颈。

矫正流（Rectified Flow）是一个新兴的"简简单单走直线"的生成模型，用于学习两个分布 \(\pi_0\) 和 \(\pi_1\) 之间的传输映射。该方法通过连接样本之间的直线路径并学习一个常微分方程（ODE）模型来实现。

然后，通过重新流动操作，迭代地拉直ODE轨迹，最终实现一步生成。与生成对抗网络（GAN）相比，该方法具有更高的多样性，并且其FID分数优于快速扩散模型。同时得益于其概念简洁性和实现高效性，Rectified Flow在多个应用领域已经展现出了优异的表现。

具体解析可参考论文，代码也已经开源：

1
2
3

Paper：Flow Straight and Fast:Learning to Generate and Transfer Data with Rectified Flow
Abs：https://arxiv.org/pdf/2209.03003
Code：https://github.com/gnobitab/RectifiedFlow

12月14日11点，青稞Talk 第31期，深度求索(DeepSeek)研究员、UT Austin博士、Rectified Flow 作者刘星超，将直播分享《Rectified Flow：矫正流生成式模型的概念及应用实践》。

在本次 Talk 中，刘星超博士将系统介绍矫正流的核心概念与算法实现，帮助大家快速掌握并应用到实际问题中。同时，他也会探讨矫正流与其他生成式模型框架的联系与区别，并分享最新的算法改进和应用进展。

主讲嘉宾

刘星超，深度求索(DeepSeek)研究员，UT Austin博士，师从刘强教授。研究兴趣是生成式模型的底层原理及对生成式模型框架的改进。在ICML、NeurIPS、ICLR等机器学习顶级会议上发表十余篇文章，并多次担任JMLR等顶级期刊审稿人。也是SD3.0和Flux背后采样器的作者。

主题提纲

Rectified Flow：矫正流生成式模型的概念及应用实践

1、矫正流（Rectified Flow）的概念 2、矫正流算法的核心理论、数学原理以及代码实现 3、在新一代文生图模型中的应用实践 4、探讨矫正流与其它生成模型的联系

直播时间

12月14日（周六）11:00 - 12:00

参与方式

Talk 将在青稞·知识社区上进行，扫码对暗号："1214"，报名交流！