AegisFlow：免训练非短视路径安全引导流匹配
论文AI 评分 68/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
预训练扩散与流匹配模型在生成高质量数据上表现突出，但要让生成轨迹满足身份保持、机器人避障等严格约束仍很困难。现有免训练引导方法依赖只考虑即时约束满足的最小范数控制器，这种短视做法常产生贴着边界游走的次优轨迹，限制了模型朝目标优化的能力。AegisFlow 把引导生成重新表述为具有全局视野的安全关键最优控制问题，将时变障碍函数直接并入全局代价泛函，从而沿整条生成路径施加约束；为求解全局最优控制，作者推导出对 Hamilton-Jacobi-Bellman 方程的可计算近似。在文本引导图像编辑与机器人规划任务上，该方法在目标对齐与约束满足的权衡上优于现有方法，代码已公开。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载短视引导的局限
扩散模型与流匹配模型能生成高质量数据，但把生成轨迹导向满足严格约束的方向并不容易，典型场景包括图像编辑中的身份保持和机器人任务中的避障。近期出现的免训练引导方法虽然能保证路径安全，却普遍依赖最小范数控制器，只处理当前时刻的约束是否满足。这种短视策略带来的后果是轨迹长期贴着约束边界游走，模型难以充分朝目标推进，最终在目标对齐上付出代价。
全局最优控制的建模
AegisFlow 的做法是把引导生成整体改写成一个具有全局视野的安全关键最优控制问题，而不是逐步修补。具体而言，它把时变障碍函数直接嵌入全局代价泛函，使约束在整条生成路径上自然生效，而非只在单点被检查。为了让这一全局最优控制可计算，作者给出了对 Hamilton-Jacobi-Bellman 方程的近似，并强调该近似在数学上有依据、可以实际求解。
实验与可用性
论文在文本引导图像操作和机器人规划两类任务上做了实验，报告的结果显示该方法在目标对齐与约束满足之间的权衡优于现有方法。论文共 18 页、含 6 张图，代码已通过链接公开，便于复现与在自有流程中试用。对于需要在生成过程中同时保证安全约束的团队，这一免训练框架提供了一条不重新训练模型即可尝试的路径。
为什么值得看
免训练约束引导的新思路，直接关系到图像编辑与机器人规划中生成轨迹的安全可控性。
对齐安全
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。