稳定平均流：受李雅普诺夫启发的一步流匹配
Stable Mean Flow: Lyapunov-Inspired One-Step Flow Matching
为一步流匹配生成器提供一个可即插即用的稳定性正则项，约束单步传输映射的局部非扩张性，从而抑制轨迹漂移并加速收敛；做少步/一步图像生成的研究者可直接把该正则加入训练损失以提升样本质量。
原文依据 introduce a Lyapunov-inspired stability regularizer that enforces local non-expansivity of the single-step transport map
摘要译文
由模型翻译 · 术语统一 · 请对照原文核对关键结论平均流匹配算法是一步生成模型的最优方法。在此思想基础上，我们提出稳定平均流算法，并引入受李雅普诺夫启发的稳定性正则项，强制单步传输映射具有局部非扩张性。该设计保证了特征线的唯一性并约束了轨迹漂移。实验表明，相比平均流，本方法在输出质量和收敛速度上均有提升。此外，我们为一步生成与多步生成分别建立了误差增长的显式上界。
英文原文摘要 562 字符
The Mean Flow Matching algorithm is the state-of-the-art for one-step generative models. Building on this idea, we propose the Stable Mean Flow algorithm and introduce a Lyapunov-inspired stability regularizer that enforces local non-expansivity of the single-step transport map. This design guarantees uniqueness of characteristics and bounds trajectory drift. We conduct experiments that show improved output quality and convergence speed over Mean Flow. Moreover, we establish explicit upper bounds on error growth for both one-step and multi-step generation.