何恺明de三位本科生：突破效率瓶颈量子位

与MeanFlow对流匹配的优化不同，这次主要旨在解决归一化流在生成模型中的局限。

论文提出名为双向归一化流（BiFlow）的新框架，通过解耦前向过程——将数据映射为噪声，和逆向过程——把噪声再转回来生成图片，成功打破了传统归一化流生成模型效率低下的问题。

值得一提的是，论文的三位一作分别是来自清华姚班和MIT的本科生。

BiFlow：逆向过程不必是前向过程的精确逆运算

归一化流方法（NFs）已经成为生成建模的一种原则性框架。

前向过程将数据映射为噪声，逆向过程则通过对前向过程求逆来生成样本。

传统的NF模型有一个硬性规定，逆向过程必须是前向过程的精确逆运算——要像钥匙和锁一样完全匹配。这就导致了两个问题：

模型设计受限：因为要保证 “可逆”，不能使用很多强大的通用架构（比如视觉Transformer），得特意设计复杂结构；

推理速度慢：由于架构约束，归一化流通常需要比其他模型更深、更宽的网络才能达到相似效果。以TARFlow为例，逆向生成时需要一步步按顺序计算，并且无法并行加速。