Tag · 115 篇
流匹配
mmWaveFlow：毫米波人体点云的统一增强与生成
mmWaveFlow: Unified Enhancement and Generation of mmWave Human Point Clouds
提出可逆的流匹配框架，在稠密与稀疏毫米波点云之间建立双向传输，并用跨模态潜变量对齐与原点感知流匹配缓解潜路径交叉，为稀疏点云增强与生成提供可复用范式。
你的特征泄露了什么：面向分割式 DNN 的数据高效黑盒特征反演攻击
What Your Features Reveal: Data-Efficient Black-Box Feature Inversion Attack for Split DNNs
把流匹配引入特征反演：用潜空间对齐模块 + 确定性一步流匹配把中间特征投回目标流形，可在极少图像-特征对下训练，为评估分割式推理的隐私泄露提供了可复用的攻击基线；其基于 LVLM 的语义保真度指标也可直接用于衡量任何重建/反演任务的语义一致性。
VideoWeaver：面向具身智能体的多模态多视图视频到视频翻译
VideoWeaver: Multimodal Multi-View Video-to-Video Transfer for Embodied Agents
将多视图视频翻译统一到基于前馈空间基础模型（Pi3）的共享4D潜空间，并用不同扩散时间步训练实现视图一致的自回归新视角合成，为具身智能中的世界随机化提供可复用方案。
VDFE：基于非侵入式视频扩散先验的差异感知3D场景编辑，实现多视图一致性与高效性
VDFE: Difference-Aware 3D Scene Editing with Non-Intrusive Video Diffusion Priors for Multi-View Consistency and Efficiency
将视频扩散模型作为非侵入式先验，通过最优控制优化无噪声编辑轨迹，并利用流差异精确定位编辑区域，为3D场景编辑提供多视图一致且高效的新思路。
基于流匹配的统一无人数约束文本到动作生成
Unified Number-Free Text-to-Motion Generation Via Flow Matching
把 flow matching 用在多人动作生成上，用统一潜空间桥接异构动作数据集、用金字塔分辨率条件化降低开销、用半噪声联合概率路径缓解自回归误差累积，这套「单次先验生成 + 多次反应生成」的分解思路可迁移到多人交互视频生成与人体动作预测。
UniPixie：通过流匹配的统一概率三维物理学习
UniPixie: Unified and Probabilistic 3D Physics Learning via Flow Matching
将物理属性预测从确定性点估计重构为连续分布学习，利用流匹配从单张图像生成可控的材质场，并统一适配 MPM、LBS、弹簧-质点等多种物理求解器，为视觉驱动的物理仿真提供了可复用的概率建模范式。
理解、加速与改进 MeanFlow 训练
Understanding, Accelerating, and Improving MeanFlow Training
MeanFlow 的训练动力学分析揭示了瞬时速度与平均速度的相互依赖关系，并据此设计了分阶段训练方案，可加速少步生成模型的收敛并提升生成质量，对基于流匹配的扩散模型训练有直接借鉴意义。
UPLiFT：基于局部注意力算子的高效像素稠密特征上采样
UPLiFT: Efficient Pixel-Dense Feature Upsampling with Local Attenders
UPLiFT 提供了一种任务无关的像素稠密特征上采样模块，可直接替换 FPN 式插值或交叉注意力上采样，在分割、深度等稠密预测任务中以更低推理成本获得更稳定的高分辨率特征；其局部注意力池化算子也可迁移到其他需要局部注意力的轻量模块设计中。
过渡模型：重新思考生成学习目标
Transition Models: Rethinking the Generative Learning Objective
TiM 提出了一种精确的连续时间动力学方程，可解析定义任意有限时间间隔的状态转移，使生成模型能在单步跳跃与多步细化之间无缝切换，并随采样步数增加单调提升质量。这对视觉生成研究意味着可以设计更灵活的采样策略，在少步与多步生成间取得平衡，同时支持高达 4096x4096 的原生分辨率生成。
面向快速视频生成的转移匹配蒸馏
Transition Matching Distillation for Fast Video Generation
把扩散/流模型的骨干网络拆成「主骨干 + 轻量 flow head」，在每个外层转移步内用 flow head 做多次内层流更新，再配合分布匹配蒸馏，可作为一种通用的少步蒸馏结构复用到图像或视频扩散加速上。
免训练、感知一致的低分辨率预览与高分辨率图像：面向扩散模型高效工作流
Training-free, Perceptually Consistent Low-Resolution Previews with High-Resolution Image for Efficient Workflows of Diffusion Models
对做扩散/流匹配采样加速的人，这篇给出一个免训练的「commutator-zero」条件：通过选择下采样矩阵并施加引导，让低分辨率预览与高分辨率结果在感知上保持一致，可直接作为 HR 生成前的候选筛选环节，与现有少步/蒸馏加速叠加还能再拿 3 倍加速。
迈向免训练的场景文本编辑
Towards Training-free Scene Text Editing
把「流形引导 + 注意力增强」做成无需训练的即插即用模块，可直接迁移到任意扩散/流模型的图像局部编辑任务（如文字替换、风格保持修复），省去逐任务微调与配对数据。
面向文本到图像扩散模型的早期质量评估
Toward Early Quality Assessment of Text-to-Image Diffusion Models
对做 T2I 生成的人，Probe-Select 提供了一种在去噪轨迹早期（约 20% 步数）用中间激活预测最终质量分、提前终止劣质种子的插件式方案，可直接嵌入现有 diffusion/flow-matching 采样循环，把 generate-then-select 的算力开销降下来。
迈向可扩散的高维潜空间：频率视角
Toward Diffusible High-Dimensional Latent Spaces: A Frequency Perspective
揭示了高维潜空间中编码器对高频成分欠表达、解码器却强依赖高频潜变量恢复细节的错配，并给出一个无需重训自编码器、可插拔的频率预热课程，可直接套用到任意潜空间扩散/流匹配训练流程中以提升生成质量。
缺失的 GAP：从求解方形拼图到处理真实世界考古碎片
The Missing GAP: From Solving Square Jigsaw Puzzles to Handling Real World Archaeological Fragments
GAP 提供了由真实考古碎片分布驱动的、形状不受限且严重侵蚀的合成拼图数据集，可用于评测形状不规则碎片的装配算法；PuzzleFlow 用 ViT 加 Flow-Matching 建模碎片间的连续匹配关系，为处理非方形、带侵蚀的碎片装配提供了可复用的建模范式。
面向任务的数据合成与控制修正采样用于遥感语义分割
Task-Oriented Data Synthesis and Control-Rectify Sampling for Remote Sensing Semantic Segmentation
提出基于 MM-DiT 的文本-图像-掩码联合注意力控制方案与全微调策略，并设计控制修正流匹配（CRFM）在采样早期用语义损失动态调整方向，可直接用于提升少样本遥感语义分割的合成数据质量。
面向激光雷达系统自动化设计的任务驱动隐式表示
Task-Driven Implicit Representations for Automated Design of LiDAR Systems
把激光雷达传感器配置编码为6D连续空间中的隐式密度，用流生成模型学习任务相关的采样分布，再用EM拟合出具体传感器参数——这套「任务驱动隐式表示+参数拟合」的思路可直接迁移到相机阵列、事件相机、ToF等成像系统的联合设计，也可作为生成式传感器仿真的新范式。
TV2TV：面向交错语言与视频生成的统一框架
TV2TV: A Unified Framework for Interleaved Language and Video Generation
把视频生成拆成交错的文本推理与视频流匹配两步，用 Mixture-of-Transformers 让语言塔决定「接下来发生什么」、视频塔负责出帧，可直接借鉴到需要长程语义分支的视频生成与推理时文本干预控制。
面向三维灵巧操作的结构化动作 Transformer
Structural Action Transformer for 3D Dexterous Manipulation
把动作块从时序序列重构为无序的逐关节轨迹序列，并用关节码本编码运动学先验，使 Transformer 能以变长序列原生处理不同自由度的机械手；这一「结构化动作表示 + 点云条件流匹配」的思路可迁移到任何需要跨本体泛化的视觉-动作策略学习。
StreamDiT：实时流式文本到视频生成
StreamDiT: Real-Time Streaming Text-to-Video Generation
把流匹配训练与移动缓冲区结合，使 DiT 能逐块流式生成视频；配套的分段多步蒸馏把 NFE 压到缓冲区块数，为视觉研究者提供了把任意扩散/流模型转成实时流式生成器的可复用范式。
面向流匹配模型 GRPO 的逐步信用分配
Stepwise Credit Assignment for GRPO on Flow-Matching Models
把扩散/流匹配的采样步按「低频结构 vs 高频细节」分层做信用分配，可直接迁移到任何用 GRPO/RLHF 微调图像或视频生成模型的后训练流程，提升样本效率与收敛速度。
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。
面向物体引导的人-人协同操作的稳定性驱动运动生成
Stability-Driven Motion Generation for Object-Guided Human-Human Co-Manipulation
把流匹配的向量场回归与基于采样的稳定性优化耦合起来，用于生成多个人体与共享物体之间的接触运动；其中「对抗交互先验」与「仿真驱动的流场修正」这两个模块，可以直接迁移到人-物交互、双手操作等需要物理合理性的运动生成任务上。
面向气候模拟的时空金字塔流匹配
Spatiotemporal Pyramid Flow Matching for Climate Emulation
将级联视频生成中的时空金字塔思想引入流匹配：把生成轨迹按空间分辨率与时间尺度分层，每层绑定一个时间尺度并直接采样，从而在任意时间层级并行生成。这一「分辨率-时间尺度耦合」的采样设计可迁移到长视频生成与多尺度时空预测任务，用于降低长时序 rollout 的计算成本。
SocialNav：训练受人类启发的社会感知具身导航基础模型
SocialNav: Training Human-Inspired Foundation Model for Socially-Aware Embodied Navigation
提出基于流匹配的强化学习框架 SAFE-GRPO，将社会合规性作为奖励信号融入导航策略优化，为视觉导航中的社会规范学习提供了可复用的训练范式。
ShowUI-p：基于流的生成模型作为 GUI 灵巧手
ShowUI-p: Flow-based Generative Models as GUI Dexterous Hands
将流匹配生成模型用于 GUI 连续拖拽动作的闭环控制，为视觉智能体提供了一种从屏幕视觉观测直接生成平滑轨迹的轻量动作专家设计，可迁移到其他需要连续交互的视觉-动作任务。
ShapeAR：通过自回归扩散生成可编辑形状层
ShapeAR: Generating Editable Shape Layers via Autoregressive Diffusion
把光栅图像分解为可编辑的 RGBA 矢量形状层，并用自回归流匹配扩散在潜空间中逐步生成，为图像矢量化与分层编辑提供了一条不依赖边界追踪的新路径；其几何感知评测指标也可复用于形状生成质量评估。
自评估解锁任意步文本到图像生成
Self-Evaluation Unlocks Any-Step Text-to-Image Generation
提出一种从零训练的自评估机制，使单一模型在极少步数下仍能生成高质量图像，且性能随推理步数增加单调提升，为少步扩散/流匹配模型训练提供了无需预训练教师的新范式。
SeeThrough3D：文本到图像生成中的遮挡感知三维控制
SeeThrough3D: Occlusion Aware 3D Control in Text-to-Image Generation
将三维布局中的遮挡关系显式编码为半透明三维框渲染，并通过掩码自注意力绑定物体与文本，为布局可控生成提供可复用的遮挡感知条件注入方式。
STARFlow-V：基于自回归归一化流的端到端视频生成建模
STARFlow-V: End-to-End Video Generative Modeling with Autoregressive Normalizing Flows
为视觉研究者提供了一条绕开扩散模型的视频生成路线：可逆归一化流在时空潜空间中做自回归因果预测，天然支持似然估计与 T2V/I2V/V2V 统一建模，其 flow-score matching 与视频感知 Jacobi 迭代可直接迁移到其他自回归视频生成器的误差累积与采样加速问题上。
解决文生图生成中的身份危机
Resolving the Identity Crisis in Text-to-Image Generation
用 GRPO 加组合式奖励（人脸相似度惩罚、跨样本身份重复惩罚、人数计数约束）微调 flow-matching 文生图模型，为多人物生成中的身份坍缩提供了一套无需真实数据的可复用后训练范式。
RenderFlow：基于流匹配的单步神经渲染
RenderFlow: Single-Step Neural Rendering via Flow Matching
用流匹配把扩散式神经渲染压成确定性单步前向，并给出稀疏关键帧引导与轻量 adapter 复用同一前向模型做逆渲染（本征分解），可直接迁移到任何需要低延迟、时序一致的生成式渲染或图像到图像回归任务。
RefTon：参考人物照片辅助的虚拟试衣
RefTon: Reference person shot assist virtual Try-on
用无配对参考图（同一件衣服穿在不同人身上）替代 body parsing 与 warped mask 等结构引导，为条件生成提供纹理对齐信号；做可控人像生成或试衣时可借鉴其「参考图即条件」的简化输入范式与配套数据集构建方式。
RecTok：沿整流流的重建蒸馏
RecTok: Reconstruction Distillation along Rectified Flow
把视觉基础模型的语义蒸馏进流匹配的前向流轨迹而非潜空间，使高维视觉分词器不再受维度-生成质量权衡限制，可直接替换扩散 Transformer 的 tokenizer 以提升重建与生成质量。
ReFlow：面向动态场景重建的自校正运动学习
ReFlow: Self-correction Motion Learning for Dynamic Scene Reconstruction
提出自校正流匹配机制，无需外部光流引导即可从单目视频学习3D运动，为动态场景重建提供了一种可复用的无监督运动监督范式。
PureCC：面向文本到图像概念定制的纯学习
PureCC: Pure Learning for Text-to-Image Concept Customization
提出解耦学习目标与双分支训练流程，在注入个性化概念的同时显式约束原模型行为漂移，并给出自适应引导尺度 l*；做个性化生成或微调扩散模型时可直接借鉴其「冻结提取器提供隐式引导 + 可训练流模型保留原条件预测」的结构来缓解灾难性遗忘。
PropFly：借助预训练视频扩散模型的在线监督学习传播
PropFly: Learning to Propagate via On-the-Fly Supervision from Pre-trained Video Diffusion Models
利用预训练视频扩散模型在不同 CFG 尺度下的一步干净潜变量估计，在线构造源/编辑潜变量对，从而免去成对视频编辑数据集；这一在线监督思路可直接迁移到其他需要成对数据的视频编辑或可控生成任务中。
ProjFlow：基于流匹配的投影采样实现零样本精确空间运动控制
ProjFlow: Projection Sampling with Flow Matching for Zero-Shot Exact Spatial Motion Control
把线性空间约束下的采样建模为线性逆问题，并用编码骨架拓扑的运动学感知度量做投影，这一免训练采样器思路可迁移到视觉中的轨迹/关键点/姿态等结构化输出的可控生成与补全。
PoseD-Flow：通用且可引导的人体姿态流匹配模型
PoseD-Flow: Versatile and Guided Flow Matching Model of Human Pose
把流匹配先验直接定义在关节旋转的乘积流形上，并用可微 ODE 采样做免训练引导，可直接用于遮挡/噪声下的姿态补全、去噪与逆运动学求解，也为其他非欧几里得结构化输出（如手部、SMPL 参数）提供可复用的生成先验范式。
PhysGen：面向工业设计的物理落地三维形状生成
PhysGen: Physically Grounded 3D Shape Generation for Industrial Design
把物理属性（如气动效率）作为显式引导信号注入流匹配采样过程，通过速度更新与物理精修的交替迭代在潜空间中调整形状；做 3D 生成且关心下游功能约束的工作可复用这一「生成器+物理正则+联合潜空间编码」的范式。
面向三维网格的可并行可微最直测地线
Parallelised Differentiable Straightest Geodesics for 3D Meshes
为三角网格上的几何学习提供了可并行、可微的指数映射与测地线追踪算子，可直接嵌入网络层或优化器，用于需要测地距离/平行传输的网格卷积、网格生成与几何优化管线。
PROMO：面向高效高保真虚拟试衣的可提示换装
PROMO: Promptable Outfitting for Efficient High-Fidelity Virtual Try-On
把虚拟试衣重新表述为结构化图像编辑问题，用 Flow Matching DiT 骨干网络加潜空间多模态条件拼接，并通过自参考机制减少采样步数与推理开销，为需要强主体保持与纹理迁移的可控生成任务提供了可复用的条件注入与加速思路。
POLAR：面向光照感知人脸建模的肖像 OLAT 数据集与生成框架
POLAR: A Portrait OLAT Dataset and Generative Framework for Illumination-Aware Face Modeling
用 flow-based 生成模型从单张肖像预测逐光源 OLAT 响应，把光照建模为光照状态间的连续可解释变换，为可控重打光提供了不依赖扩散先验、物理可解释的替代范式，其 OLAT 数据与生成框架的闭环思路也可迁移到其他逆渲染任务。
光流匹配：将光流重构为连续输运动力学
Optical Flow Matching: Reframing Optical Flow as Continuous Transport Dynamics
把光流从逐帧离散匹配重构为学习时变速度场的连续输运问题，其三角速度协同（TVS）几何约束与 Euler ODE 求解可直接替换现有光流网络的位移回归头，为时序平滑与跨数据集泛化提供新思路。
OmniSonic：面向视频与文本的通用整体音频生成
OmniSonic: Towards Universal and Holistic Audio Generation from Video and Text
TriAttn-DiT 用三路交叉注意力分别处理屏内环境声、屏外环境声与语音条件，并以 MoE 门控自适应加权，这种「多条件分支 + 门控融合」的结构可直接迁移到视频到音频、视频到音乐等多模态条件生成任务中；UniHAGen-Bench 也提供了评估视频条件音频生成的评测协议。
基于可学习贝塞尔流的非线性颜色迁移
Nonlinear Color Transfer via Learnable Bezier Flows
用贝塞尔曲线参数化替代流模型中的线性传输路径，可缓解颜色迁移中的轨迹错位与伪影；该非线性路径参数化思路可迁移到其他基于流的图像到图像翻译与风格化任务。
NeuroFlow：迈向神经活动驱动的统一视觉编码与解码
NeuroFlow: Toward Unified Visual Encoding and Decoding from Neural Activity
将视觉编码与解码统一为共享潜空间中的可逆流匹配过程，为视觉-神经跨模态生成提供新范式；其跨模态流匹配（XFM）可复用于图像与脑信号间的双向转换，NeuroVAE 的结构化潜空间设计对视觉表征学习有借鉴意义。
Neighbor GRPO：对比式常微分方程策略优化对齐流模型
Neighbor GRPO: Contrastive ODE Policy Optimization Aligns Flow Models
对做扩散/流匹配模型偏好对齐的人，这篇给出了绕开 SDE 的 GRPO 方案：直接扰动 ODE 初始噪声构造候选轨迹，用基于距离的 softmax 代理目标做策略梯度，从而保留确定性采样与高阶求解器的少步采样优势，可直接替换现有 SDE-GRPO 训练流程。
面向三维生成的原生紧凑结构化潜变量
Native and Compact Structured Latents for 3D Generation
O-Voxel 把几何与 PBR 材质统一编码进稀疏体素，并配一个高压缩率的稀疏压缩 VAE 得到紧凑潜变量，可直接作为 3D 生成模型的表示层替换 NeRF/三平面潜变量；做 3D 生成或资产重建时可借鉴其处理开放、非流形、全封闭拓扑的编码方式与潜空间压缩策略。
面向高效流匹配与扩散模型的多 patch 全局到局部 Transformer 架构
Multi-Patch Global-to-Local Transformer Architecture For Efficient Flow Matching and Diffusion Model
把 DiT 各向同性的等尺寸 patch 处理改为「浅层大 patch 抓全局、深层小 patch 修细节」的层次化多 patch 设计，可直接迁移到任何基于 Transformer 主干的扩散/流匹配生成器中，在 GFLOPs 减半的同时保持生成质量；其时间/类别嵌入改进也可作为加速收敛的通用技巧复用。
MotionHiFlow：基于层次化流匹配的文本驱动运动生成
MotionHiFlow: Text-to-Motion via Hierarchical Flow Matching
把流匹配的采样路径按时间尺度分层（低尺度定语义骨架、高尺度补细节），并用跨尺度过渡保持噪声一致性，这一「由粗到细的层次化流路径」思路可直接迁移到视频生成、长时序动作合成等需要兼顾语义对齐与细粒度时序一致性的视觉生成任务。
MicroFM：面向各向同性显微重建的物理引导流匹配
MicroFM: Physics-guided Flow Matching for Isotropic Microscopy Reconstruction
把物理点扩散函数（PSF）匹配的合成数据与流匹配生成模型结合，并用连续隐式几何先验约束体数据，为各向异性退化下的三维重建提供了可复用的「物理退化建模 + 生成式复原」范式。
MeshFlow：基于 MeshVAE 与流式扩散 Transformer 的高效艺术网格生成
MeshFlow: Efficient Artistic Mesh Generation via MeshVAE and Flow-based Diffusion Transformer
用带对比损失的 VAE 把连续顶点坐标与离散连接关系压进一个紧凑的连续潜空间，再用 Rectified-Flow Transformer 并行生成全部顶点与边，为三维网格生成提供了可替代自回归 token 预测的潜空间+流匹配范式。
MeanFuser：基于MeanFlow的快速单步多模态轨迹生成与自适应重建用于端到端自动驾驶
MeanFuser: Fast One-Step Multi-Modal Trajectory Generation and Adaptive Reconstruction via MeanFlow for End-to-End Autonomous Driving
MeanFlow Identity 用平均速度场替代瞬时速度场，消除 ODE 求解误差并实现单步推理，这一思路可迁移到视觉生成任务（如扩散/流匹配加速）；GMN 提供连续轨迹表示，避免离散锚框词表，对需要多模态输出的规划问题有参考价值。
基于表征自编码器的 MeanFlow Transformer
MeanFlow Transformers with Representation Autoencoders
将 MeanFlow 的潜空间训练迁移到 DINO 等预训练视觉编码器的表征自编码器潜空间，并给出稳定训练的两阶段蒸馏方案，为视觉生成模型提供更高效、无需引导的少步采样路径。
通过合成曝光包围实现线性图像生成
Linear Image Generation by Synthesizing Exposure Brackets
把高动态范围线性图像拆成曝光包围序列、再用 DiT 流匹配逐段生成，为需要保留极端高光与阴影的生成任务（HDR 合成、RAW 域生成、专业后期编辑）提供了一个可复用的表示与建模方案。
学习直线流：面向高效生成的变分流匹配
Learning Straight Flows: Variational Flow Matching for Efficient Generation
把变分潜变量作为「生成全局概览」注入流匹配，显式约束轨迹笔直，为视觉生成模型提供可复用的一步采样训练范式，可直接替换扩散/流匹配的采样器设计。
学习长时运动嵌入以实现高效运动学生成
Learning Long-term Motion Embeddings for Efficient Kinematics Generation
把长时运动轨迹压缩成 64x 时序压缩的隐空间，再用条件流匹配在该空间生成运动，为视觉研究者提供了一条绕开逐帧视频合成、直接生成场景动态的轻量路径，可迁移到轨迹预测与可控运动生成。
LeapAlign：通过构建两步轨迹在任意生成步对流匹配模型进行后训练
LeapAlign: Post-training Flow Matching Models at Any Generation Step by Building Two-Step Trajectories
LeapAlign 通过将长 ODE 采样轨迹压缩为两步跳跃，使奖励梯度能直接回传到早期生成步，从而以低显存代价对齐流匹配模型；该技术可复用于任何需要端到端优化生成过程（如扩散/流模型）的视觉任务，例如文本到图像生成中的偏好微调。
LLaMo：以连续自回归 token 扩展预训练语言模型实现统一的动作理解与生成
LLaMo: Scaling Pretrained Language Models for Unified Motion Understanding and Generation with Continuous Autoregressive Tokens
把人体动作编码进因果连续潜空间、用轻量 flow-matching 头在 decoder-only 骨干上保留下一 token 预测，从而绕开离散量化的抖动并实现 30FPS 流式生成——这套「连续 token + MoT 隔离模态」的做法可直接迁移到视频/动作序列的视觉-语言统一建模。
LATTICE：让大规模高保真 3D 生成走向普及
LATTICE: Democratize High-Fidelity 3D Generation at Scale
VoxSet 把 3D 资产压缩成锚定在粗体素网格上的潜变量集合，使位置嵌入能直接引导生成并支持 token 级测试时扩展；这套半结构化表示可直接迁移到任何需要从稀疏结构生成细节几何的 3D 生成管线。
JRM：无需对齐的多物体联合重建模型
JRM: Joint Reconstruction Model for Multiple Objects without Alignment
把多视角/多次扫描中同一物体的重复观测当作个性化生成问题，用 3D 流匹配在潜变量空间隐式聚合未对齐观测，可替代显式配准与刚性对齐流程，对处理关节运动等非刚性变化的多观测重建有直接参考价值。
改进可控生成：通过 x0 监督实现更快训练与更优性能
Improving Controllable Generation: Faster Training and Better Performance via x0-Supervision
把可控扩散/流模型的训练目标从噪声预测损失换成对干净目标图的 x0 监督（或等价的损失重加权），可直接套用到 ControlNet 类布局控制、inpainting、参考图条件生成等训练流程中，在不改网络结构的前提下加速收敛并提升条件精度。
改进的 MeanFlow：论快进生成模型的挑战
Improved Mean Flows: On the Challenges of Fastforward Generative Models
把 MeanFlow 的训练目标改写为对瞬时速度 v 的回归（网络仍预测平均速度 u），并把引导尺度作为显式条件变量做 in-context 条件化，使一步生成模型在测试时可自由调节引导强度；做少步/一步扩散或流匹配采样的人可直接复用这一目标重参数化与条件化引导设计。
异构去中心化扩散模型
Heterogeneous Decentralized Diffusion Models
把 DDPM 与流匹配两种目标在去中心化多专家训练中混用、推理时统一，并给出 ImageNet-DDPM 到流匹配的权重转换方案，为算力受限的视觉生成研究提供了可复用的低成本训练路径。
听见你所见：基于扩散 Transformer 与语义-时序对齐排序直接偏好优化的视频到音频生成
Hear What You See: Video-to-Audio Generation with Diffusion Transformer and Semantic-Temporal Alignment-Ranked Direct Preference Optimization
把视频帧与文本线索作为多模态条件注入 co-attention 扩散 Transformer，并用按语义-时序对齐排序构造偏好对的 DPO 微调扩散采样过程，这套「自动排序候选 + 偏好微调」的流程可直接迁移到其他以视觉为条件的生成任务（如视频生成、可控图像生成）中提升条件对齐度。
和谐画布：面向视觉引导音乐风格迁移的无反转编辑
Harmonic Canvas: Inversion-Free Editing for Visually-Guided Music Style Transfer
把基于 flow 的无反转编辑框架从图像迁移到音频，用 CLIP+ViT 双编码器融合视觉嵌入作为生成条件，并用可微归一化色度约束在生成流上保持内容一致性——这套「视觉条件 + 无反转流编辑 + 内容保持约束」的组合可直接复用到图像/视频的风格化编辑与视觉引导生成。
GuideFlow：面向端到端自动驾驶规划的约束引导流匹配
GuideFlow: Constraint-Guided Flow Matching for Planning in End-to-End Autonomous Driving
把流匹配生成过程与能量模型联合训练，在采样阶段直接施加显式物理/安全约束，可作为视觉规划器中替代扩散策略、避免轨迹模式坍缩并省去后处理优化阶段的通用生成式规划范式。
GeodesicNVS：面向新视角合成的概率密度测地线流匹配
GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis
把扩散的随机噪声到数据路径换成成对视图间的数据到数据确定性流匹配，并用密度测地线约束插值轨迹，可直接用于需要多视角一致性的生成式新视角合成与三维一致生成。
Geo2：几何引导的跨视角地理定位与图像合成
Geo2: Geometry-Guided Cross-view Geo-Localization and Image Synthesis
利用几何基础模型（如 VGGT）提取的三维几何先验，构建共享的三维感知潜空间来桥接地面与航拍视角，为跨视角定位与双向图像合成提供统一框架；其 GeoMap 和 GeoFlow 设计可复用于其他需要跨视角几何对齐的任务。
GeniNav：生成模型驱动的图像目标导航——通过想象引导的一致性流匹配
GeniNav: Generative Model Driven Image-Goal Navigation via Imagination-Guided Consistency Flow Matching
将 VLM 驱动的潜变量子目标想象与多段一致性流匹配结合，用于无地图图像目标导航；其一致性流匹配策略与混合轨迹评估（语义对齐+几何可行性）可迁移到其他视觉导航与具身控制策略的时序平滑生成。
生成式点跟踪与预测
Generative Point Tracking and Forecasting
把点跟踪与运动预测统一为视频条件下的因果流匹配生成问题，通过切换视觉信号在跟踪与预测间切换，为长时点轨迹建模提供了可复用的生成式框架。
基于视频扩散先验的生成式神经视频压缩
Generative Neural Video Compression via Video Diffusion Prior
把视频扩散 Transformer 的流匹配去噪先验迁移到压缩潜变量的序列级精修上：从解码潜变量而非纯噪声初始化，并学习一个修正项来适配压缩退化，这一「以退化潜变量为起点的少步精修」思路可直接复用于超分、去压缩伪影等低层复原任务。
GeneVAR：面向自回归基因到 WSI 瓦片合成的因果 MeanFlow
GeneVAR: Causal MeanFlow for Autoregressive Gene-to-WSI Tile Synthesis
把 RNA-Seq 条件通过反事实干预约束成伪影不变的自回归粗到细生成过程，可为视觉中「条件信号弱、易被染色/对比度等非语义因素劫持」的可控生成提供可复用的因果正则思路；多尺度矢量量化离散形态表示也可迁移到其他病理或遥感瓦片生成。
GenTract：生成式全局纤维束追踪
GenTract: Generative Global Tractography
把纤维束追踪从逐步跟踪或全局优化重构为从 dMRI 到完整流线的条件生成问题，并用扩散模型与流匹配两种范式做对比；对视觉研究者而言，这是一个把生成模型用于结构化曲线/轨迹输出的可复用范式，可迁移到血管、道路等线状结构重建任务。
GRPO-Guard：通过受调控的裁剪缓解流匹配中的隐式过度优化
GRPO-Guard: Mitigating Implicit Over-Optimization in Flow Matching via Regulated Clipping
对做扩散/流匹配模型 RL 后训练的人，这篇给出了一个可直接替换 PPO clipping 的比值归一化 + 梯度重加权模块，用来防止代理奖励上涨而图像质量与文本对齐崩塌；可作为 SD3.5、Flux 等骨干上 GRPO 微调的稳定化插件。
希尔伯特空间中的函数均值流
Functional Mean Flow in Hilbert Space
把一步式 Mean Flow 推广到无穷维希尔伯特空间，并给出 x_1-prediction 形式提升稳定性；对视觉研究者而言，这提供了一条在函数空间做一步流匹配采样的通用路径，可直接用于图像、3D 几何等连续域数据的少步生成。
频率感知流匹配用于高质量图像生成
Frequency-Aware Flow Matching for High-Quality Image Generation
把频率分解与时间相关的自适应加权引入流匹配的潜空间生成，为提升扩散/流模型的细节保真度提供了一个可插拔的条件注入思路，可直接迁移到视频生成或高分辨率合成中。
Flowception：面向视频生成的时间可扩展流匹配
Flowception: Temporally Expansive Flow Matching for Video Generation
把「离散插帧 + 连续去噪」交替的概率路径用于视频生成，可作为一种非自回归、可变长度的采样范式，替代自回归视频模型以缓解误差累积，并天然支持图像到视频与插帧等任务。
FlowSteer：以真实轨迹引导少步图像合成
FlowSteer: Guiding Few-Step Image Synthesis with Authentic Trajectories
把 ReFlow 蒸馏从「点对点回归」改成沿教师真实 ODE 轨迹对齐，并给出 FlowMatchEulerDiscreteScheduler 的少步推理缺陷修复，可直接用于 SD3 类流模型的少步加速训练与采样器实现。
FlowPortal：残差校正流用于免训练视频重打光与背景替换
FlowPortal: Residual-Corrected Flow for Training-Free Video Relighting and Background Replacement
把标准 flow-based 生成模型通过残差校正改造成免训练编辑模型：条件相同时保证完美重建、条件不同时实现忠实编辑，这一思路可直接迁移到视频/图像的其他属性编辑（重打光、换背景、风格化）而无需微调。
FlowMotion：面向视频运动迁移的免训练流引导
FlowMotion: Training-Free Flow Guidance for Video Motion Transfer
对做视频生成的人，这篇给出了一个免训练的运动控制手段：直接拿 flow-based T2V 模型早期潜变量预测当运动表征，省掉额外构造中间引导的开销；速度正则化稳定优化的做法也可迁移到其他采样期引导任务。
FlowHijack：一种针对流匹配视觉-语言-动作模型的动力学感知后门攻击
FlowHijack: A Dynamics-Aware Backdoor Attack on Flow-Matching Vision-Language-Action Models
针对流匹配VLA模型的向量场动力学设计后门攻击，揭示了连续动作生成机制的安全漏洞，为视觉-语言-动作模型的鲁棒性评估与防御提供了新方向。
FlowFM：以流匹配推进暗光光流估计
FlowFM: Advancing Dark Optical Flow Estimation with Flow Matching
把流匹配从生成任务迁移到条件回归任务（暗光光流），用真值约束的全局变换路径加单步去噪替代扩散式迭代采样，并用傅里叶幅度/相位解码器恢复暗光下丢失的运动信息，可作为低光照稠密预测任务的通用加速范式。
FlowDIS：基于流匹配的语言引导二值图像分割
FlowDIS: Language-Guided Dichotomous Image Segmentation with Flow Matching
把流匹配的时变向量场用于从图像分布到掩码分布的传输，为高精度分割提供了一条不依赖判别式解码器的新范式；其位置感知实例配对训练策略与文本条件控制可直接迁移到开放词表分割、交互式分割等需要像素级可控性的任务。
FlowDC：面向复杂图像编辑的基于流的解耦-衰减方法
FlowDC: Flow-Based Decoupling-Decay for Complex Image Editing
把复杂多目标编辑拆成多个子编辑效果并在流匹配速度场上并行叠加，同时对与编辑位移正交的速度分量做衰减以保住源图结构——这套「速度分解+正交分量衰减」可直接迁移到任何基于 flow matching 的编辑/可控生成管线中，用于缓解多条件叠加时的结构漂移。
FlowComposer：面向组合零样本学习的可组合流
FlowComposer: Composable Flows for Compositional Zero-Shot Learning
把流匹配的速度场组合作为显式的嵌入空间融合算子，可替代 token 拼接/提示词调优来实现组合式概念构造，对做 VLM 下游组合推理与概念解耦的研究者是一个可直接插入基线的即插即用模块。
面向多模态分布的流匹配
Flow Matching for Multimodal Distributions
把源分布从单一高斯换成数据自适应的混合高斯，并配合模式相关的数据耦合，可让流匹配模型的传输路径更短更直，从而在更少训练轮次和采样步数下取得更优 FID；这一「源-耦合协同设计」思路可直接迁移到图像/视频流匹配生成器的训练加速上。
FlashLips：基于重建而非扩散或 GAN 的 100 FPS 免掩码潜空间唇形同步
FlashLips: 100-FPS Mask-Free Latent Lip-Sync using Reconstruction Instead of Diffusion or GANs
用纯重建损失的单步潜空间编辑器替代 GAN/扩散做唇形编辑，并以嘴部篡改变体自监督生成伪真值来免除推理期 mask，这套「重建式编辑 + 伪标签定位」思路可迁移到其他局部可控编辑任务。
Flash-DMD：以高效蒸馏与联合强化学习实现高保真少步图像生成
Flash-DMD: Towards High-Fidelity Few-Step Image Generation with Efficient Distillation and Joint Reinforcement Learning
把持续进行的时间步蒸馏损失当作正则项与 RL 目标联合训练，可稳定少步扩散模型的偏好微调并抑制奖励黑客；该联合训练范式可直接迁移到任何需要人类偏好对齐的少步图像生成器。
基于多模态流匹配的少样本声学生成
Few-shot Acoustic Synthesis with Multimodal Flow Matching
把流匹配 + 扩散 Transformer 用于以稀疏多模态场景线索（空间、几何、声学）为条件的概率化生成，其条件融合与少样本泛化思路可迁移到视觉中的跨模态条件生成任务；AGREE 这种联合嵌入做几何一致性检索评测的做法，也可借鉴到视觉生成结果的分布级评测。
通过实例感知离散化的少步扩散采样
Few-Step Diffusion Sampling Through Instance-Aware Discretizations
提出实例感知的离散化框架，根据输入自适应分配采样时间步，可即插即用于扩散/流匹配模型的少步采样，在像素空间、潜空间图像和视频生成中提升质量且推理开销可忽略。
FMPose3D：基于流匹配的单目三维姿态估计
FMPose3D: monocular 3D pose estimation via flow matching
把流匹配的少步 ODE 采样引入单目 3D 姿态估计，用不同噪声种子生成多假设、再用重投影后验期望聚合出单一结果，可直接迁移到任何存在深度歧义的 2D→3D 生成式回归任务（手部、动物、物体 6D 位姿）。
FM-Steer：以价值引导的级联去噪增强通用策略
FM-Steer: Enhance Generalist Policies with Value-Guided Cascaded Denoising
对做视觉-语言-动作（VLA）策略的研究者，这篇给出了一个无需重训的测试时增强范式：用中间流验证器对多个噪声动作候选打分并择优，再用轻量去噪器异步精修，从而在保持实时控制频率的同时提升操作性能——可直接迁移到基于扩散/流匹配的视觉运动策略上。
FE2E：从编辑器到密集几何估计器
FE2E: From Editor to Dense Geometry Estimator
将预训练的图像编辑模型（DiT 架构）微调为密集几何预测器，利用其固有结构先验，并通过一致速度训练目标和对数量化解决精度冲突，为单目深度/法线估计提供新范式。
面向人形全身控制的端到端语言-动作模型
End-to-End Language-Action Model for Humanoid Whole Body Control
把语言指令与本体感知直接映射到低层动作的端到端流匹配策略，配合残差动作头做真机精修，可作为视觉-语言-动作（VLA）类具身控制中绕开中间表示与模块化流水线的可复用范式。
阐明基于任意噪声的扩散模型的设计空间
Elucidating the Design Space of Arbitrary-Noise-Based Diffusion Models
将扩散模型的设计空间从固定高斯噪声推广到任意噪声模式，为图像复原任务提供了一种可减少复原距离、且不增加计算开销的通用框架，可直接用于去噪、去伪影等底层视觉问题。
EgoFlow：梯度引导的流匹配用于第一人称6DoF物体运动生成
EgoFlow: Gradient-Guided Flow Matching for Egocentric 6DoF Object Motion Generation
将流匹配与梯度引导推理结合，在生成 6DoF 轨迹时直接嵌入可微物理约束（碰撞避免、平滑性），无需后处理；其混合 Mamba-Transformer-Perceiver 架构对时序动态、场景几何与语义意图的联合建模方式，可迁移到其他需要物理合理性的轨迹生成或运动预测任务。
Easy3E：基于矫正体素流的前馈三维资产编辑
Easy3E: Feed-Forward 3D Asset Editing via Rectified Voxel Flow
将免训练的 2D 编辑适配到稀疏体素潜空间，通过单次前馈的体素流实现全局一致的 3D 变形，并用法线引导的单视图到多视图生成恢复高频纹理，为 3D 资产编辑提供了可复用的高效范式。
去噪，快与慢：面向图像生成的难度感知自适应采样
Denoising, Fast and Slow: Difficulty-Aware Adaptive Sampling for Image Generation
提出图像块级时间步采样与难度感知自适应计算分配，可复用于扩散/流匹配模型的训练与推理加速，并可与表示对齐、引导方法正交结合。
用于文本到图像编辑的 Delta 整流流采样
Delta Rectified Flow Sampling for Text-to-Image Editing
DRFS 提出一种基于蒸馏的无反转编辑方法，通过显式建模源与目标速度场差异并引入时间相关偏移项，缓解过平滑伪影，可复用于 rectified flow 模型的文本引导编辑，无需架构修改。
DeCo：面向端到端图像生成的频率解耦像素扩散
DeCo: Frequency-Decoupled Pixel Diffusion for End-to-End Image Generation
把高频细节交给轻量像素解码器、让 DiT 专注低频语义的频率解耦思路，可直接迁移到任何在像素空间做扩散/流匹配的生成框架，用来降低训练与采样成本；配套的频率感知流匹配损失也可复用于其他扩散模型的损失设计。
DEVA：面向视觉感知任务的多模态大语言模型微调
DEVA: Fine-tuning Multimodal Large Language Models for Visual Perception Tasks
对做视觉感知任务的 MLLM 微调者，这篇给出了 GRPO 训练动力学的失效分析（多样性下降、探索受限、奖励聚合次优），并给出可插拔的改进：基于流的训练目标提升多样性、全局熵正则扩大探索、以对齐度作为非可验证奖励配合调和聚合，可直接套用到检测/定位等视觉感知的 RL 微调流程中。
基于双重投影的闭式概念擦除
Closed-Form Concept Erasure via Double Projections
提供一种无需训练、几秒内即可对预训练扩散/流匹配模型做权重级线性编辑的闭式投影工具，可直接用于概念擦除、风格去除等模型安全编辑场景，并可作为研究生成模型表征方向几何结构的探针。
ChordEdit：面向图像编辑的单步低能量传输
ChordEdit: One-Step Low-Energy Transport for Image Editing
把文本引导编辑重构成源/目标提示分布之间的动态最优传输问题，得到低能量、方差缩减的平滑编辑场，使单步大积分即可完成编辑；对做单步 T2I 模型（如单步扩散/流匹配）上做免训练编辑的人，这是一个可直接复用的控制场构造思路。
我们能构建而非分类场景图吗？FlowSG：基于流匹配的渐进式图像条件场景图生成
Can We Build Scene Graphs, Not Classify Them? FlowSG: Progressive Image-Conditioned Scene Graph Generation with Flow Matching
把流匹配从图像生成迁移到结构化图输出：用连续速度场搬运框几何、用离散流更新类别 token，为视觉中「结构化预测当作生成任务」提供了可复用的混合离散-连续生成范式，且可插拔到现有检测器/分割器上。
CUPID：联合物体与位姿建模的生成式三维重建
CUPID: Generative 3D Reconstruction via Joint Object and Pose Modeling
将相机位姿估计与物体生成联合建模为两阶段流模型，利用2D-3D对应关系鲁棒估计位姿，再以像素对齐特征条件化精化生成，为单图/多视图三维重建提供无需后优化的统一生成框架。
CTCal：通过跨时间步自校准重新审视文本到图像扩散模型
CTCal: Rethinking Text-to-Image Diffusion Models via Cross-Timestep Self-Calibration
把扩散模型内部小时间步的交叉注意力图当作显式监督信号，去校准大时间步的表征学习，是一种无需额外标注、模型无关的训练期对齐增强手段，可直接插入 SD 系列或 flow matching 模型以提升文本-图像细粒度对齐。
COT-FM：簇级最优传输流匹配
COT-FM: Cluster-wise Optimal Transport Flow Matching
把目标样本聚类并为每个簇反演一个专属源分布，从而拉直流匹配的向量场——这是一个与模型架构无关的即插即用模块，可直接套到已有的图像生成/编辑流匹配模型上以减少采样步数、提升样本质量。
CFG-Ctrl：基于控制的免分类器扩散引导
CFG-Ctrl: Control-Based Classifier-Free Diffusion Guidance
把 CFG 重新解释为对一阶连续时间生成流的控制，并用滑模控制替代线性 P 控制，可直接替换 Stable Diffusion 3.5、Flux、Qwen-Image 等流式扩散模型中的采样引导环节，在大引导尺度下抑制过冲、提升语义对齐。
C-LaV：面向天气鲁棒 LiDAR 地点识别的条件潜变量速度场去噪
C-LaV: Conditional Latent Velocity Field Denoising for Weather-Robust LiDAR Place Recognition
把条件流匹配当作潜空间去噪器，在冻结的 DINOv2 BEV 潜空间里用概率流 ODE 把雨雪雾潜变量确定性搬运到晴天的对应潜变量，再接 SALAD 聚合做检索；这套「冻结语义锚定潜空间 + 条件流匹配去噪」的范式可直接迁移到其他受天气/传感器退化影响的检索与定位任务。
BiFM：面向少步图像编辑与生成的双向流匹配
BiFM: Bidirectional Flow Matching for Few-Step Image Editing and Generation
把「图像→噪声」的反演方向也纳入流匹配训练，用共享瞬时速度场与连续时间区间监督实现单步反演，可直接替换现有少步编辑管线中的反演模块，提升少步采样下的编辑保真度。
BAgger：用于缓解自回归视频扩散模型漂移的反向聚合方法
BAgger: Backwards Aggregation for Mitigating Drift in Autoregressive Video Diffusion Models
针对自回归视频扩散模型的曝光偏差问题，BAgger 用模型自身 rollout 构造纠错轨迹，并以标准 score/flow matching 目标训练，无需少步蒸馏或长链 BPTT；做长视频自回归生成或世界模型时可作为缓解误差累积的通用训练策略。
Affostruction：基于生成式重建的三维可供性视觉定位
Affostruction: 3D Affordance Grounding with Generative Reconstruction
把「从部分 RGBD 观测重建完整几何」与「在完整形状上做可供性视觉定位」串成一条生成式流水线，其中稀疏体素融合实现常数复杂度的多视角特征聚合、flow-based 建模可供性分布的多义性、以及用预测可供性反向指导主动视角选择，这三件组件都可直接迁移到需要补全不可见区域的三维感知任务。
AdvFM：面向不可察觉且可迁移对抗样本的前瞻流匹配速度场攻击
AdvFM: Lookahead Flow-Matching Velocity-Field Attacks for Imperceptible and Transferable Adversarial Examples
将对抗扰动注入流匹配的速度场而非像素空间，利用高斯平滑降低梯度方差并提升迁移性，为生成式对抗攻击提供了一种可复用的连续时间动力学视角。