Mapas de Flujo Variacionales: Generación Condicional en un Solo Paso con Ruido
Variational Flow Maps: Make Some Noise for One-Step Conditional Generation
March 7, 2026
Autores: Abbas Mammadov, So Takao, Bohan Chen, Ricardo Baptista, Morteza Mardani, Yee Whye Teh, Julius Berner
cs.AI
Resumen
Los mapas de flujo permiten la generación de imágenes de alta calidad en un único paso hacia adelante. Sin embargo, a diferencia de los modelos de difusión iterativos, su falta de una trayectoria de muestreo explícita dificulta la incorporación de restricciones externas para la generación condicional y la resolución de problemas inversos. Proponemos Variational Flow Maps (VFM), un marco para el muestreo condicional que cambia la perspectiva del condicionamiento de "guiar una trayectoria de muestreo" a la de "aprender el ruido inicial adecuado". Específicamente, dada una observación, buscamos aprender un modelo adaptador de ruido que genere una distribución de ruido, de modo que, después de mapear al espacio de datos a través del mapa de flujo, las muestras respeten la observación y el previo de los datos. Con este fin, desarrollamos un objetivo variacional fundamentado que entrena conjuntamente el adaptador de ruido y el mapa de flujo, mejorando la alineación ruido-datos, de tal manera que el muestreo a partir de una posterior de datos compleja se logra con un simple adaptador. Los experimentos en varios problemas inversos muestran que los VFM producen muestras condicionales bien calibradas en uno (o pocos) pasos. Para ImageNet, VFM alcanza una fidelidad competitiva mientras acelera el muestreo en órdenes de magnitud en comparación con modelos alternativos de difusión/flujo iterativos. El código está disponible en https://github.com/abbasmammadov/VFM.
English
Flow maps enable high-quality image generation in a single forward pass. However, unlike iterative diffusion models, their lack of an explicit sampling trajectory impedes incorporating external constraints for conditional generation and solving inverse problems. We put forth Variational Flow Maps, a framework for conditional sampling that shifts the perspective of conditioning from "guiding a sampling path", to that of "learning the proper initial noise". Specifically, given an observation, we seek to learn a noise adapter model that outputs a noise distribution, so that after mapping to the data space via flow map, the samples respect the observation and data prior. To this end, we develop a principled variational objective that jointly trains the noise adapter and the flow map, improving noise-data alignment, such that sampling from complex data posterior is achieved with a simple adapter. Experiments on various inverse problems show that VFMs produce well-calibrated conditional samples in a single (or few) steps. For ImageNet, VFM attains competitive fidelity while accelerating the sampling by orders of magnitude compared to alternative iterative diffusion/flow models. Code is available at https://github.com/abbasmammadov/VFM