生成模型是否重现标识模型的历史？今年的CVPR成功在美国田纳西州纳什维尔完成。除了传达文件并互相添加朋友外，许多参与者还参加了一个非常有趣的项目Star Chasing。当然，这个“星”是学术明星。从正面发送的现场活动来看，相关教授MIT可能是最受欢迎的Kaiming。他们的会议充满了，许多学生与老师凯明（Kaiming）一起出版了照片。实际上，这次出现在CVPR的凯明（Kaiming）具有多种身份，其中包括最佳纸质奖委员会成员“视觉生成建模：什么是扩散？”研讨会扬声器等。该研讨会的主题是扩散模型后视觉生成建模的演变。近年来，扩散模型迅速超过Methodsabove，成为视觉生成模式的主要方法Ling，并已广泛用于图像，视频，3D对象等的生成中。但是，这些模型具有一些重要的局限性，例如生成速度缓慢，生成过程中的人类干预有限以及对长期视频等复杂分布的模拟。该研讨会旨在探索在视觉生成的建模中超越扩散模型的方法。他在此事件中分享了主题：“朝着 - 末端的生成建模”。最近，其个人网站上传了研讨会的PPT。值得学习。 PPT地址：https：//people.csail.mit.edu/kaiming/cvpr25talk/cvpr2025_meanflow_kaiming.pdf建议首先查看最终一代建模在第一个PPT页面结束的识别模型的演变。在Alexnet之前，每层训练仪更为普遍，例如消除深信仰网络（DBN）和自我擦伤（DAE）。但是，在Alexnet之后，识别模型通常是从末端开始的结束。实施连接并大大简化模型设计和培训的复杂性。有趣的是，当今的生成模型在概念上类似于每层的层训练。扩散模型逐渐通过和平的步骤生成，并且通过令牌T逐渐生成自我回归模型。两者都需要进行多个步骤的推断。这让我们问自己：可以在生成模型的领域重复历史吗？从较高的层面来看，标识和生成实际上是同一货币的两个方面。识别可以视为“抽象”过程。从大量未经处理的数据（例如图像像素）开始，我们曾通过处理多层网络来提取抽象特征，直到我们最终获得非常抽象的分类标签为止。或嵌入。一代是相反的。这是“化身”过程。从抽象表示开始（例如随机否ISE和概念向量）通过网络转换为多个阶段逐渐指定，并最终生成具有复杂详细信息的真实数据。以下图说明了“抽象”和“自身化”之间对应关系的更直观的形式。下部代表原始数据，上部代表嵌入的抽象空间。这表明学习从数据流动，并将数据分配给嵌入。生成建模从重新降低和将嵌入到数据中的流动。该过程可以被视为抽象的不同水平之间的“流”数据。但是，识别和产生本质上是不同的。标识任务通常对数据具有清晰的数据分配，但是生成任务如下：它必须将简单的“噪声”分布映射到复杂且可变的数据分布。该映射非常非线性，并且具有无限的可能性。有效的“建造方式”d" this map is the central challenge that faces generative models. Continuous standardization flows, in particular technology derived from "flow coincidence", provide a promising direction to solve this problem. During the conference he mentioned several representative documents on the direction of the flow coincidence. The diagram below intuitively shows the location of the flow coincidence in the field of generative models. The flow coincidence provides a powerful way to train generative models. Child can build real fields that are implicitly present and与特定的神经元网络结构无关。单一步骤的g。“核心思想是要遵循一个一代阶段。具体来说，本文档提出了一个称为Zelflow的理论框架来实施一个单一的生成任务。核心思想是介绍一个真正的真实根源，以代表平均速度，代表平均速度，而不是常见的速度，而不是在正常的速度和速度相关的速度之间使用的速度和速度相关。基于这个基本概念的网络培训，该论文可以直接建模平均速度字段，并引入损失功能，以奖励网络以满足平均速度。
