新论文提出Posterior Flow Matching生成框架

Chenrui Ma等作者提出一种生成建模框架 Posterior Flow Matching（PFM）。它通过高斯后验模型学习条件速度均值与逐分量方差，使同一次模型评估同时给出传输预测和端点不确定性。 据该论文，学习到的矩支持均值驱动的 ODE 和后验驱动的 SDE，后者的局部噪声尺度会随预测不确定性自适应调整。作者称，在图像、点云、分子和动作生成任务上，PFM 提升了生成质量，并可在整个生成过程中提供端点后验读数。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。