Mapas de Fluxo Variacionais: Introduzindo Ruído para Geração Condicional em Uma Única Etapa
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
Resumo
Os mapas de fluxo permitem a geração de imagens de alta qualidade em uma única passagem direta. No entanto, ao contrário dos modelos de difusão iterativos, a falta de uma trajetória de amostragem explícita impede a incorporação de restrições externas para geração condicional e a resolução de problemas inversos. Apresentamos os Mapas de Fluxo Variacionais (Variational Flow Maps - VFMs), uma estrutura para amostragem condicional que muda a perspectiva do condicionamento de "guiar um caminho de amostragem" para a de "aprender o ruído inicial adequado". Especificamente, dada uma observação, procuramos aprender um modelo adaptador de ruído que produza uma distribuição de ruído, de modo que, após o mapeamento para o espaço de dados via mapa de fluxo, as amostras respeitem a observação e o priori dos dados. Para tanto, desenvolvemos um objetivo variacional fundamentado que treina conjuntamente o adaptador de ruído e o mapa de fluxo, melhorando o alinhamento ruído-dados, de forma que a amostragem a partir de um posterior de dados complexo seja alcançada com um simples adaptador. Experimentos em vários problemas inversos mostram que os VFMs produzem amostras condicionais bem calibradas em uma única (ou poucas) etapa(s). Para o ImageNet, o VFM atinge uma fidelidade competitiva enquanto acelera a amostragem em ordens de magnitude em comparação com modelos alternativos de difusão/fluxo iterativos. O código está disponível em 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