Sigue la media: emparejamiento de flujo guiado por referencia

Resumen

Los enfoques existentes para la generación controlable suelen depender del ajuste fino, redes auxiliares o búsqueda en tiempo de prueba. Mostramos que el emparejamiento de flujos admite una interfaz de control diferente: la adaptación mediante ejemplos. Para interpolantes deterministas, el campo de velocidades se rige únicamente por una media condicional del punto final; desplazar esta media desplaza el flujo mismo. Esto da lugar a un principio simple para la generación controlable: dirigir un modelo preentrenado cambiando el conjunto de referencia que sigue. Materializamos esta idea en dos formas. La Guía por Media de Referencia no requiere entrenamiento: calcula una corrección en forma cerrada de la media del punto final a partir de un banco de referencia y la aplica a un modelo congelado FLUX.2-klein (4B), permitiendo controlar color, identidad, estilo y estructura mientras se mantienen fijos el prompt, la semilla y los pesos. La Guía Semiparamétrica amortigua la misma idea mediante un ancla de media explícita y un refinador residual aprendido, igualando la calidad de DiT-B/4 incondicional en AFHQv2 a la vez que permite intercambiar el conjunto de referencia en tiempo de inferencia. Estos resultados apuntan a una dirección más amplia: modelos generativos que se adaptan a través de datos, no de actualizaciones de parámetros.

English

Existing approaches to controllable generation typically rely on fine-tuning, auxiliary networks, or test-time search. We show that flow matching admits a different control interface: adaptation through examples. For deterministic interpolants, the velocity field is solely governed by a conditional endpoint mean; shifting this mean shifts the flow itself. This yields a simple principle for controllable generation: steer a pretrained model by changing the reference set it follows. We instantiate this idea in two forms. Reference-Mean Guidance is training-free: it computes a closed-form endpoint-mean correction from a reference bank and applies it to a frozen FLUX.2-klein (4B) model, enabling control of color, identity, style, and structure while keeping the prompt, seed, and weights fixed. Semi-Parametric Guidance amortizes the same idea through an explicit mean anchor and learned residual refiner, matching unconditional DiT-B/4 quality on AFHQv2 while allowing the reference set to be swapped at inference time. These results point to a broader direction: generative models that adapt through data, not parameter updates.