摘要
流匹配（Flow Matching）是一种在多种应用中生成高质量样本的强大框架，尤其在图像合成领域表现突出。然而，这类模型在微调过程及采样过程中均具有极高的计算需求，给资源受限的场景带来了显著挑战。本文提出了一种名为贝尔曼最优步长校正（Bellman Optimal Stepsize Straightening, BOSS）的蒸馏技术，用于优化流匹配生成模型：该方法旨在实现少步高效图像采样，同时严格遵守计算资源预算约束。首先，BOSS采用动态规划算法对预训练网络的步长进行优化，以确定最优的采样步长序列；随后，通过精细化调整速度网络（velocity network），使其与最优步长对齐，从而实现生成路径的“直线化”（straightening），提升生成效率与稳定性。在多个图像生成任务上的大量实验评估表明，BOSS在资源利用率与图像质量方面均展现出显著优势。实验结果表明，BOSS在保持与现有方法相当甚至更优的样本质量的同时，实现了显著的效率提升，有效弥合了资源受限环境与流匹配生成模型高计算需求之间的鸿沟。此外，本研究还致力于推动人工智能的负责任发展，提出了一种更具可持续性的生成模型范式，显著降低了计算成本与环境足迹。相关代码已开源，可访问 https://github.com/nguyenngocbaocmt02/BOSS 获取。