FlowSep-RF: Rectified Flow Matching for Single-Channel Radio-Frequency Signal Separation
Virginia Commonwealth University(弗吉尼亚联邦大学)
FlowSep-RF是一种修正流匹配框架,结合时域IQ样本与频域特征,通过单步推理在含多种干扰的QPSK混合信号分离中,取得比经典、判别式及生成式基线更低的平均误码率和均方误差。
2026-10-15 cs.LG eess.SP
CaReFlow: Cyclic Adaptive Rectified Flow for Multimodal Fusion
South China Normal University(华南师范大学)
CaReFlow通过循环适应修正流实现多模态融合,解决模态间隙问题,提升分布对齐和特征转换的鲁棒性。
2026-02-22 cs.CV cs.LG
GEM: Geometric Erasure by Contrastive Velocity Matching in Rectified Flows
University of California, Berkeley(加州大学伯克利分校);ETH Zurich(苏黎世联邦理工学院)
提出GEM框架,通过对比速度匹配实现整流流模型中的概念擦除,结合生成流网络与教师引导的流匹配,有效抑制有害内容生成。
2026-10-06 cs.AI cs.LG
SCoT: Unifying Consistency Models and Rectified Flows via Straight-Consistent Trajectories
本研究提出SCoT模型,统一一致性模型与整流流方法,通过平衡梯度恒定和轨迹一致性两个目标,生成兼具一致性与直线性的轨迹,实现快速且准确的采样。
2025-10-02 cs.CV cs.LG
RectifID: Personalizing Rectified Flow with Anchored Classifier Guidance
Peking University(北京大学);University of Electronic Science and Technology of China(电子科技大学);Kuaishou Technology(快手科技)
本文提出 RectifID,在 rectified flow 中以锚定分类器引导和不动点求解实现免训练身份保持生成,并证明收敛性。
2024-12-10 cs.CV cs.LG
MyoFlow: Anchor-Tied Rectified Flow for HD-sEMG Gesture Recognition Across Sessions and Subjects
Waseda University(早稻田大学);KDDI Research Inc.(KDDI综合研究所);The University of Manchester(曼彻斯特大学)
MyoFlow提出判别式流匹配框架,通过锚定修正流实现跨会话和跨受试者的HD-sEMG手势识别,无需独立分类头,显著提升准确率。
2026-09-24 cs.LG
Hierarchical Rectified Flow Matching with Mini-Batch Couplings
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出在分层整流流匹配中引入小批量耦合机制,以逐步调整不同层级速度分布的复杂度,并通过合成数据与图像数据实验验证了该方法的有效性。
2025-07-17 cs.CV cs.LG
MixFlow: Mixed Source Distributions Improve Rectified Flows
Max Planck Institute for Informatics, Saarland Informatics Campus, Germany(马克斯·普朗克信息学研究所,萨尔兰信息学园区,德国)
本文提出MixFlow,通过混合固定无条件分布与基于κ-FC的分布,减少生成路径曲率,提升采样效率和生成质量,实验显示在FID上比标准修正流提升12%。
2026-04-10 cs.CV cs.LG
Analyzing and Mitigating Model Collapse in Rectified Flow Models
The Ohio State University(俄亥俄州立大学);Microsoft(微软公司);University of Michigan, Ann Arbor(密歇根大学安娜堡分校)
针对整流流模型中Reflow方法因自生成数据训练导致的模型崩溃问题,本文通过理论分析DAEs性能退化机制,提出结合真实数据的RA Reflow方法,有效缓解崩溃并在少采样步骤下保留高质量生成。
2025-02-09 cs.CV cs.LG
On the Convergence and Straightness of Rectified Flow
Department of Statistics and Data Sciences, UT Austin(统计与数据科学系,德克萨斯大学奥斯汀分校)
本文提出Piecewise Straightness参数γ₂,T,建立首个流模型离散误差与γ₂,T的Wasserstein收敛界,证明最小曲率是实现高保真单步采样的关键,同时为RF的直线性分析提供了理论框架。
2026-06-07 cs.LG stat.ML
Missing Data Imputation by Reducing Mutual Information with Rectified Flows
University of Bristol(布里斯托大学);University of Cambridge(剑桥大学);University of Oxford(牛津大学);University College London(伦敦大学学院)
本文提出了一种通过减少互信息来改进缺失数据填补的方法,通过迭代优化和ODE求解实现高效填补。
2025-11-25 cs.LG stat.ML
Joint 3D Gravity and Magnetic Inversion via Rectified Flow and Ginzburg-Landau Guidance
Department of Computer Science(计算机科学系);Ashoka University(阿什oka大学)
本文提出一种基于修正流和吉纳乌-兰道引导的联合3D重力与磁力反演框架,利用物理驱动数据集进行训练,引入吉纳乌-兰道正则化器以增强矿体识别能力,并释放一个用于3D密度的VAE模型以促进后续应用。
2026-06-29 cs.LG
Elucidating Rectified Flow with Deterministic Sampler: Polynomial Discretization Complexity for Multi and One-step Models
Shanghai Jiao Tong University(上海交通大学);East China Normal University(华东师范大学)
在现实有界支撑假设下,本文首次为带确定性采样器的多步和单步整流流模型证明了多项式离散化复杂度,并通过引入Langevin校正器证明其优于扩散模型,为RF模型的优异经验性能提供了理论解释。
2025-08-12 cs.LG
Generalization and Memorization in Rectified Flow
Vanderbilt University(范德比大学)
本文研究修正流模型的记忆行为,通过成员推断攻击测试统计量揭示其记忆机制,并提出复杂度校准指标,提升攻击性能并抑制记忆化以保持生成质量。
2026-09-01 cs.CV cs.LG
Steering Rectified Flow Models in the Vector Field for Controlled Image Generation
Arizona State University(亚利桑那州立大学);Rutgers University(罗格斯大学)
本文提出 FlowChef 框架,利用 RFMs 向量场以无梯度方式引导去噪轨迹,统一解决分类器引导、线性逆问题和图像编辑,并在性能、内存与速度上达到新 SOTA。
2024-11-27 cs.CV cs.LG stat.ML
RARF: Region-Aware Rectified Flows for 3D Brain MRI Inpainting
Universidad Rey Juan Carlos(胡安卡洛斯国王大学)
该研究提出RARF框架,将其用于2026年BraTS三维脑部MRI修复,通过区域感知修正流结合掩码流匹配等目标训练,在BraTS评估中取得有竞争力的结果且保持解剖一致性。
2026-09-04 cs.AI cs.CV cs.LG
Free Lunch for Stabilizing Rectified Flow Inversion
Westlake University(西湖大学);Nanyang Technological University(南洋理工大学)
本文提出PMI和mimic-CFG方法,通过稳定速度场提升修正流反向操作的稳定性与重建质量,减少计算资源消耗。
2026-02-13 cs.CV cs.LG
RFMI: Estimating Mutual Information on Rectified Flow for Text-to-Image Alignment
EURECOM(欧洲通信研究院);Huawei Technologies SASU(华为技术SASU公司)
本文提出 RFMI,利用预训练 Rectified Flow 模型自身估计图像与提示词的互信息,并据此构建自监督微调集,在保持图像质量的同时提升 T2I 对齐。
2025-03-18 cs.CV cs.LG
Semantic Image Inversion and Editing using Rectified Stochastic Differential Equations
Google(谷歌);UT Austin(德克萨斯大学奥斯汀分校)
本文提出基于线性二次调节器的动态最优控制方法,解决修正流模型(如Flux)的图像反演与编辑问题,在零样本反演和编辑任务中实现最先进性能。
2024-10-14 cs.CV cs.LG stat.ML
Integration Flow Models
提出Integration Flow模型,通过直接学习ODE轨迹路径的积分并引入目标状态作为锚点,解决了基于ODE生成模型的离散化误差与训练不稳定问题,实现了高质量的单步图像生成。
2025-04-28 cs.AI cs.CV cs.LG
Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow
University of Texas at Austin(德克萨斯大学奥斯汀分校)
我们提出了整流,一个令人惊讶的简单方法来学习(神经)常微分方程(ODE)模型,以在两个经验观察到的分布π_0和π_1之间传输,从而提供了一个统一的解决方案,生成建模和域转移,以及其他各种涉及分布传输的任务。整流流的思想是学习常微分方程,使其尽可能地遵循连接从π_0和π_1所画的点的直线路径。这是通过解决一个简单的非线性最小二乘优化问题来实现的,该问题可以很容易地扩展到大型模型,而无需在标准监督学习之外引入额外的参数。直线路径是特殊的和优选的,因为它们是两点之间的最短路径,并且可以在没有时间离散化的情况下精确地模拟,因此产生计算效率高的模型。我们证明了从数据中学习整流流的过程,称为整流,将π_0和π_1的任意耦合变成一个新的确定性耦合,具有可证明不增加的凸传输成本。此外,递归地应用整流允许我们获得具有越来越直的路径的流的序列,这可以在推理阶段中通过粗略的时间离散化来精确地模拟。在实证研究中,我们表明,整流流表现出色的图像生成,图像到图像的翻译,和领域自适应。特别是,在图像生成和翻译方面,我们的方法产生了几乎直线的流,即使使用单个欧拉离散化步骤也能提供高质量的结果。
2022-09-07 cs.LG
Divergence-Suppressing Couplings for Rectified Flow
Department of Computer Science(计算机科学系)
本文提出了一种修正流的发散抑制耦合方法,通过在耦合生成过程中抑制学习到的速度场中的发散成分,从而减少轨迹的扭曲,提升生成效果。
2026-05-18 cs.AI cs.LG
On the Relation between Rectified Flows and Optimal Transport
Université Paris Dauphine - PSL & Inria(巴黎-萨克雷大学);Inria(法国国家信息与自动化技术研究院);ENS Paris(巴黎高等师范学校)
本文探讨了校正流与最优传输之间的关系,指出校正流的梯度约束并不能保证最优传输的解,并提供了反例推翻了之前的等价性结论。
2026-02-15 cs.LG math.PR stat.ML
Towards Hierarchical Rectified Flow
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出分层矫正流,通过耦合多个ODE完整建模多模态随机速度场与加速度场,使积分路径相交以获得更直轨迹,从而在合成数据及MNIST等基准上以更少神经函数评估实现数据分布建模。
2025-03-01 cs.CV cs.LG
Computational and Statistical Guarantees of the c-Rectified flow
Yale University(耶鲁大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
该研究针对迭代整流流的计算与统计保证问题,提出c-整流流方法,证明其在合适假设下可收敛到最优传输耦合,并建立相关收敛保证与最优估计速率,为整流流提供理论支撑。
2026-10-28 cs.LG math.OC math.PR
Improving Rectified Flow with Boundary Conditions
University of Texas at Austin(德克萨斯大学奥斯汀分校);Google(谷歌)
本文提出边界约束校正流模型,通过强制边界条件提升生成模型性能,在ImageNet上使用ODE和SDE采样分别提升FID分数8.01%和8.98%。
2025-10-19 cs.LG
Fast Statistical Rates for Flow Matching without Curvature Assumptions
Purdue University, West Lafayette, USA(帕克大学)
本文研究了修正流模型,证明其样本复杂度为$\tilde{O}(\varepsilon^{-2})$,优于现有方法并解释了其优异性能。
2026-11-09 cs.AI cs.IT cs.LG
CCDSReFormer: Traffic Flow Prediction with a Criss-Crossed Dual-Stream Enhanced Rectified Transformer Model
Business Analytics Discipline, The University of Sydney(悉尼大学商业分析学科);Institute of Transport and Logistics, The University of Sydney(悉尼大学交通运输与物流研究所);College of Management and Economics, Tianjin University(天津大学管理学院)
CCDSReFormer通过引入三个创新模块,有效提升交通流预测的准确性和效率,实现对空间和时间信息的融合处理。
2024-03-29 cs.LG
Statistical Properties of Rectified Flow
Carnegie Mellon University(卡内基梅隆大学)
本文研究了修正流的统计性质,包括其结构性质和收敛速率,展示了其在机器学习中的应用及理论支持。
2025-12-09 cs.LG math.ST stat.ME
Delta Rectified Flow Sampling for Text-to-Image Editing
Harvard AI and Robotics Lab, Harvard University(哈佛大学人工智能与机器人实验室);Computer Science Department, Harvard University(哈佛大学计算机科学系);Multimodal Intelligence and Perception Lab, DGIST(大邱庆北科学技术院多模态智能与感知实验室);Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University(哈佛大学肯普纳自然与人工智能研究所)
本文提出Delta Rectified Flow Sampling (DRFS),一种无需反向传播的路径感知编辑框架,通过建模源与目标速度场的差异以减少过平滑伪影,并引入时间依赖的位移项提升目标分布对齐。
2026-04-12 cs.CV cs.LG
Language Rectified Flow: Advancing Diffusion Language Generation with Probabilistic Flows
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出Language Rectified Flow,通过重新表述标准概率流模型并学习常微分方程在源分布与目标分布间传输,有效减少推理时间,在细粒度控制与文本编辑任务上持续优于基线。
2024-03-25 cs.AI cs.CL cs.LG
Truncated Rectified Flow Policy for Reinforcement Learning with One-Step Sampling
Harbin Institute of Technology(哈尔滨工业大学)
本文提出TRFP框架,通过混合确定性-随机性架构解决MaxEnt RL中连续时间生成策略的可微性问题,实现稳定训练和有效一步采样,实验表明其在多目标环境和MuJoCo基准中表现优异。
2026-04-10 cs.LG
Rectified Flow: A Marginal Preserving Approach to Optimal Transport
University of Texas at Austin(德克萨斯大学奥斯汀分校)
我们提出了一个基于流的方法,最小化的运输成本$\mathbb{E}[c(X_1-X_0)]$在一组耦合$(X_0,X_1)$,其边缘分布$X_0,X_1$等于$π_0,π_1$,分别在$\mathbb{R}^d$上的两个连续分布$π_0,π_1$之间的最优运输(OT)问题,其中$c$是一个成本函数。我们的方法迭代地构造了一系列神经常微分方程(ODE),每个神经常微分方程都是通过求解一个简单的无约束回归问题来学习的,这些问题单调地降低了运输成本,同时自动保留了边际约束。这就产生了一个单调的内部方法,遍历内的有效耦合,以减少运输成本,这区别于大多数现有的方法,从外部强制耦合约束。该方法的主要思想来自整流流,最近的方法,同时降低了整个家庭的运输成本引起的凸函数$c$(因此是多目标的性质),但不是定制的,以最大限度地减少特定的运输成本。我们的方法是一个单一的目标变量的整流,保证解决OT问题的一个固定的,用户指定的凸成本函数$c$。
2022-09-29 cs.LG stat.ML
Scale-Recursive Rectified Flows for Few-Step Precipitation Ensembles
Neurogica Inc.(Neurogica 公司);LTS, Inc.(LTS 公司);ME-Lab Japan, Inc.(ME-Lab Japan 公司)
提出尺度递归修正流,通过先粗后细生成及按尺度分配采样步数,在少步降水集合中提升概率准确性与降雨检测,优于非递归流。
2026-10-05 cs.CV cs.LG
AReUReDi: Annealed Rectified Updates for Refining Discrete Flows with Multi-Objective Guidance
Department of Computer and Information Science, University of Pennsylvania(计算机与信息科学系,宾夕法尼亚大学);Centre for Computational Biology, Duke-NUS Medical School, Singapore(计算生物学中心,新加坡国立大学医学学院);Department of Bioengineering, University of Pennsylvania(生物工程系,宾夕法尼亚大学)
针对生物分子序列设计中多目标优化的难题,提出具备帕累托前沿收敛理论保证的离散优化算法AReUReDi,结合切比雪夫标量化等技术,在肽和SMILES序列设计任务中同时优化5种治疗属性,性能优于现有基线。
2025-10-03 cs.LG q-bio.BM
Self-Consistent Flow: Unifying Velocity and Endpoint Prediction for Rectified Flow Models
Tufts University(塔夫茨大学)
研究基于整流流的生成模型中不同参数化预测目标的问题,提出自洽流方法,通过轻量级一致性损失联合训练网络预测速度和端点,提升模型性能,在图像生成任务中显著优于标准整流流基线。
2026-07-15 cs.AI cs.CV cs.LG
Signed Rectified Flow: Negativity-Controlled Generation
UT Austin(德克萨斯大学奥斯汀分校)
研究提出带符号整流流(Signed RF),通过推广整流流,基于带符号测度构建生成模型,能将概率集中在正区域并排除负区域。分析其连续性方程并给出解释,推动实用算法,在多应用中提升性能,改进了保真度 - 多样性权衡等。
2026-11-10 cs.CV cs.LG
Score-Guided Proximal Projection: A Unified Geometric Framework for Rectified Flow Editing
本文提出SGPP框架,通过统一的几何方法实现修正流编辑的精确控制,结合确定性优化与随机采样,提升生成质量与编辑灵活性。
2026-03-05 cs.LG
Rectified Flows for Fast Multiscale Fluid Flow Modeling
Department of Mathematics, ETH Zürich(数学系,苏黎世联邦理工学院)
本文提出了一种校正流代理,通过确定性ODE求解实现快速多尺度流体流动建模,显著降低推断成本并提升精度。
2026-02-07 cs.LG
PerFlow: Physics-Embedded Rectified Flow for Efficient Reconstruction and Uncertainty Quantification of Spatiotemporal Dynamics
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学北京校区人工智能学院)
PerFlow通过分离观测条件与物理约束,利用修正流动态实现无引导的观测条件输入,结合约束保持投影嵌入硬物理约束,实现高效稀疏重建和不确定性量化。
2026-05-15 cs.AI cs.LG
Rectified Noise: A Generative Model Using Positive-incentive Noise
针对修正流(RF)生成模型,受正激励噪声(pi-noise)启发提出修正噪声(RN)算法,通过向预训练RF速度场注入pi-noise训练生成器,仅增0.39%参数即可提升性能,在ImageNet-1k上使FID从10.16降至9.05。
2025-11-12 cs.LG
Rectified Factor Networks
Johannes Kepler University(约翰内斯·开普勒大学)
我们提出了整流因子网络(RFN),以有效地构建非常稀疏,非线性,高维表示的输入。RFN模型识别输入中的罕见和小事件,在代码单元之间具有低干扰,具有小的重建误差,并解释数据协方差结构。RFN学习是一种广义的交替最小化算法,它来自于后验正则化方法,该方法强制非负和归一化后验均值。证明了RFN学习算法的收敛性和正确性。在基准测试中,将RFN与其他无监督方法(如自动编码器,RBM,因子分析,ICA和PCA)进行比较。与以前的稀疏编码方法相比,RFN产生更稀疏的代码,更精确地捕获数据的协方差结构,并且具有显着更小的重建误差。我们在不同的视觉数据集上测试了RFN作为深度网络的预训练技术,其中RFN优于RBM和自动编码器。在两项药物发现研究的基因表达数据中,RFN检测到了小而罕见的基因模块,揭示了其他无监督方法迄今为止错过的高度相关的新生物学见解。
2015-06-11 cs.CV cs.LG cs.NE
ReFP-AD: Rectified Flow Preconditioning for Energy-Based Anomaly Detection
Eindhoven University of Technology(埃因霍温理工大学)
该研究针对统一异常检测中高维token空间EBM训练不稳定问题,提出ReFP-AD方法,经实验在MVTec-AD和VisA数据集上取得优于基线的异常检测性能。
2026-08-04 cs.LG
MusRec: Zero-Shot Text-to-Music Editing via Rectified Flow and Diffusion Transformers
针对现有音乐编辑模型缺乏真正零样本能力的问题,本文提出基于整流流与扩散Transformer的零样本文本到音乐编辑模型MusRec,可高效完成真实音乐编辑任务,性能优于现有方法。
2025-11-18 cs.AI cs.LG cs.MM
Root-Selecting Fixed-Point Inversion for Rectified Flows via Trajectory Straightness
KAIST(韩国科学技术院)
提出SelFix方法,通过选择使逆轨迹更直的不动点解,在整流流中实现精确反演,提升图像重建和编辑质量。
2026-11-10 cs.CV cs.LG
ReQFlow: Rectified Quaternion Flow for Efficient and High-Quality Protein Backbone Generation
本文提出ReQFlow校正四元数流匹配方法,通过单位四元数和球面线性插值生成3D旋转,结合数值稳定性保证与模型校正加速推理,在蛋白质骨架生成中实现与现有模型相当的性能,同时大幅减少采样步骤和推理时间。
2025-05-28 cs.AI cs.LG
ReDi: Rectified Discrete Flow
KAIST(韩国科学技术院)
本文提出 ReDi,通过校正源与目标分布间的耦合降低条件 TC 及因式分解误差,理论保证单调收敛,并实现离散数据的少步乃至单步图像生成。
2025-10-20 cs.AI cs.LG stat.ML
Synthesizing Accurate and Realistic T1-weighted Contrast-Enhanced MR Images using Posterior-Mean Rectified Flow
Johannes Kepler University Linz(约翰内斯·开普勒大学林茨);Institute for Machine Learning(机器学习研究所);LIT AI Lab(LIT人工智能实验室);Department of Virtual Morphology(虚拟形态学系)
本文提出两阶段后验均值整流流(PMRF)方法,从非对比T1w MRI合成逼真的对比增强脑部MRI,在BraTS多机构数据上显著降低FID并保持结构保真度,有效平衡感知与失真。
2025-08-18 cs.CV cs.LG
DisCoRD: Discrete Tokens to Continuous Motion via Rectified Flow Decoding
Yonsei University(延世大学);Sungkyunkwan University(成均馆大学);POSTECH
DisCoRD利用整流流在连续运动空间中解码离散令牌,作为条件生成任务,兼容离散框架,在HumanML3D和KIT-ML上取得最优FID,兼顾自然度与条件忠实度。
2025-08-07 cs.AI cs.CV cs.LG
QWRF-Net: A Quantum-Wavelet Framework with Rectified Flow for Short-Term Precipitation Nowcasting
School of Computer Science and Technology (School of Artificial Intelligence), Yibin University(宜宾大学计算机科学与技术学院(人工智能学院));College of Computer Science and Engineering, Chongqing University of Technology(重庆理工大学计算机科学与工程学院)
本文针对短期降水临近预报中多尺度结构耦合及后期预报质量下降的问题,提出带整流流的量子-小波框架QWRF-Net,在多基准测试中表现优异,为相关应用提供了更可靠的降水预报基础。
2026-08-04 cs.AI cs.LG
FlowTS: Time Series Generation via Rectified Flow
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);University of Washington(华盛顿大学);Westlake University(西湖大学);University of Science and Technology of China(中国科学技术大学);The Hong Kong University of Science and Technology(香港科技大学);KTH Royal Institute of Technology(瑞典皇家理工学院)
FlowTS利用整流流的直线传输路径解决扩散模型时间序列生成计算成本高的问题,并通过自适应采样、趋势季节分解、注意力寄存器和RoPE提升性能,在无条件与有条件生成任务中均取得最先进结果。
2025-02-08 cs.AI cs.LG
Optimal Self-Distillation for Rectified Flow via Linear Probing
University of Texas, Austin(德克萨斯大学奥斯汀分校)
研究整流流的最优自蒸馏,针对固定插值对的线性RF,证明仿射路径恒等式并推导最优混合系数,给出验证程序,结合收敛界表明其能改善速度估计项,实验显示相对于教师和纯蒸馏可提升多方面性能。
2026-07-17 cs.LG stat.ML
R-DMesh: Video-Guided 3D Animation via Rectified Dynamic Mesh Flow
Huazhong University of Science and Technology(华中科技大学);Tencent Hunyuan(腾讯混元)
本文提出R-DMesh框架,通过校正动态网格流解决视频引导3D动画中的姿态对齐问题,并实现高保真的4D网格生成。
2026-06-27 cs.CV cs.GR cs.LG
SRT: Super-Resolution for Time Series via Disentangled Rectified Flow
Bytedance(字节跳动)
提出SRT框架,通过解缠校正流将低分辨率时间序列重建为高分辨率,分解趋势与季节成分,利用隐式神经表示对齐分辨率,并引入跨分辨率注意力机制生成细节。
2026-06-09 cs.AI cs.LG