Correspondência de Fluxo Perceptual para Modelagem Generativa em Poucas Etapas

Resumo

Propomos a Correspondência de Fluxo Perceptual (PFM, do inglês *Perceptual Flow Matching*), uma estrutura simples, porém eficaz, para geração em poucos passos em modelos de correspondência de fluxo (*flow-matching models*). Em vez de realizar regressão de velocidade no espaço latente VAE convencional, o PFM supervisiona a correspondência de fluxo em um espaço de características perceptuais, utilizando modelos perceptuais pré-treinados. Essa simples modificação melhora substancialmente a capacidade de geração em poucos passos dos modelos de correspondência de fluxo, reduzindo o número de etapas de amostragem de 35-50 para 4-8, enquanto preserva a qualidade da geração. Diferentemente das abordagens existentes de aceleração e destilação, o PFM não requer modelos professores nem redes de *score* auxiliares, podendo ser integrado a pipelines de treinamento padrão de correspondência de fluxo com modificações mínimas. Experimentos extensivos em tarefas de geração de imagens, geração de vídeos e edição de imagens demonstram que o PFM produz consistentemente resultados de alta qualidade, gerando menos artefatos do que métodos baseados em destilação. Mostramos ainda que a supervisão perceptual desloca o minimizador de regressão da busca pela média para a busca pela moda, orientando as previsões para modos na variedade (*on-manifold modes*) que permanecem precisos sob integração aproximada em poucos passos. Nossos resultados revelam que o treinamento padrão de correspondência de fluxo pode naturalmente produzir geradores de alta qualidade em poucos passos quando supervisionado em um espaço de representação apropriado. Esperamos que essa percepção inspire pesquisas futuras sobre objetivos conscientes da representação para modelagem generativa 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.