在基于纠正流的生成模型中，神经网络被训练以预测瞬时速度或数据端点这两种不同目标，以进行去噪。尽管先前的研究表明这些参数化导致不同的经验行为，但它们各自优势背后的机制仍未得到充分探讨，如何有效结合它们也尚不清晰。
本文分析了不同参数化的学习误差如何影响生成性能。我们表明，预测数据端点具有明确的训练信号，有助于稳定训练，而预测速度则保持了接近数据流形的稳定采样动态。
基于这些见解，我们提出了自一致流（SC-Flow），一种统一两种参数化优势的新方法。通过采用轻量级一致性损失，SC-Flow联合训练一个网络以同时预测局部速度和数据端点，两者预测之间的一致性提升了模型性能。
该方法无需重大架构变更，且增加的计算开销极小。在图像生成任务上的大量实验表明，SC-Flow显著稳定了优化过程，并改善了生成路径的直线性，导致生成质量较标准纠正流基线有显著提升。
博主点评： 自一致流（SC-Flow）方法通过联合训练局部速度和数据端点，展现了在生成模型中的创新性。其轻量级的一致性损失设计有效提升了模型性能，值得在更多领域进行探索和应用。