Emparejamiento de Flujo Perceptual para Modelado Generativo de Pocos Pasos

Resumen

Proponemos el Emparejamiento de Flujo Perceptual (PFM, por sus siglas en inglés), un marco simple pero efectivo para la generación en pocos pasos en modelos de emparejamiento de flujo. En lugar de realizar regresión de velocidad en el espacio latente convencional de VAE, PFM supervisa el emparejamiento de flujo en un espacio de características perceptuales utilizando modelos perceptuales preentrenados. Este cambio simple mejora sustancialmente la capacidad de generación en pocos pasos de los modelos de emparejamiento de flujo, reduciendo el número de pasos de muestreo de 35-50 a 4-8, mientras se preserva la calidad de generación. A diferencia de los enfoques existentes de aceleración y destilación, PFM no requiere modelos profesores ni redes de puntuación auxiliares, y puede integrarse en los pipelines de entrenamiento estándar de emparejamiento de flujo con modificaciones mínimas. Experimentos extensos en tareas de generación de imágenes, generación de video y edición de imágenes demuestran que PFM produce consistentemente resultados de alta calidad, generando menos artefactos que los métodos basados en destilación existentes. Además, mostramos que la supervisión perceptual desplaza el minimizador de regresión de la búsqueda de la media hacia la búsqueda del modo, sesgando las predicciones hacia modos en la variedad que permanecen precisos bajo una integración de pocos pasos gruesa. Nuestros resultados revelan que el entrenamiento estándar de emparejamiento de flujo puede generar naturalmente generadores de alta calidad en pocos pasos cuando se supervisa en un espacio de representación adecuado. Esperamos que esta idea inspire futuras investigaciones sobre objetivos conscientes de la representación para el modelado generativo eficiente.

English

We propose Perceptual Flow Matching (PFM), a simple yet effective framework for few-step generation in flow-matching models. Rather than performing velocity regression in the conventional VAE latent space, PFM supervises flow matching in a perceptual feature space using pretrained perceptual models. This simple change substantially improves the few-step generation capability of flow-matching models, reducing the number of sampling steps from 35-50 to 4-8 while preserving generation quality. Unlike existing acceleration and distillation approaches, PFM requires neither teacher models nor auxiliary score networks and can be integrated into standard flow-matching training pipelines with minimal modifications. Extensive experiments on image generation, video generation, and image editing tasks demonstrate that PFM consistently produces high-quality results while producing fewer artifacts than existing distillation-based methods. We further show that perceptual supervision shifts the regression minimizer from mean-seeking to mode-seeking, biasing predictions toward on-manifold modes that remain accurate under coarse few-step integration. Our results reveal that standard flow-matching training can naturally yield high-quality few-step generators when supervised in an appropriate representation space. We hope this insight inspires future research into representation-aware objectives for efficient generative modeling.