DanceOPD: Destilación de Campo Generativo On-Policy

Resumen

La generación de imágenes moderna exige un modelo único que unifique diversas capacidades, incluyendo texto a imagen (T2I), edición local y edición global. Sin embargo, estas capacidades rara vez están alineadas de forma natural y suelen entrar en conflicto. Por ejemplo, la edición tiende a degradar el rendimiento de T2I, mientras que la edición global y la local interfieren entre sí. En consecuencia, la composición efectiva de estas capacidades se ha convertido en un desafío central para el entrenamiento de modelos de generación de imágenes. Para abordarlo, presentamos DanceOPD, un marco de destilación generativa de campos en política para modelos de flujo matching que enruta cada muestra a un campo de capacidad, consulta un estado inducido por el estudiante de bajo ruido y se entrena con un objetivo simple de error cuadrático medio (MSE) de velocidad. Con cada fuente de capacidad definida como un campo de velocidad sobre el espacio de estados de flujo compartido, el estudiante aprende de los campos consultados en sus propios estados de desarrollo para componer capacidades expertas. Esta formulación también absorbe campos definidos por operadores, como la guía libre de clasificador. Experimentos exhaustivos en T2I, edición, absorción de campo de realismo y absorción de CFG muestran que nuestro enfoque mejora la composición de múltiples capacidades, fortaleciendo las capacidades objetivo mientras preserva la calidad de generación de anclaje. Consideramos que este trabajo establece una ruta práctica para la destilación generativa de campos en modelos de flujo matching.

English

Modern image generation demands a single model that unifies diverse capabilities, including text-to-image (T2I), local editing, and global editing. However, these capabilities are rarely naturally aligned and often conflict. For instance, editing tends to degrade T2I performance, while global and local editing interfere with each other. Consequently, effectively composing these capabilities has become a central challenge for image generation model training. To tackle this, we introduce DanceOPD, an on-policy generative field distillation framework for flow-matching models that routes each sample to one capability field, queries one low-noise student-induced state, and trains with a simple velocity MSE objective. With each capability source defined as a velocity field over the shared flow state space, the student learns from fields queried on its own rollout states to compose expert capabilities. This formulation also absorbs operator-defined fields such as classifier-free guidance. Comprehensive experiments on T2I, editing, realism-field absorption, and CFG absorption show that our approach improves multi-capability composition, strengthening target capabilities while preserving anchor generation quality. We believe this work establishes a practical route for generative field distillation in flow-matching models.