Apresentamos o Purrception, uma abordagem de correspondência de fluxo variacional para a geração de imagens vetoriais quantizadas que fornece supervisão categórica explícita enquanto mantém dinâmicas de transporte contínuas. Nosso método adapta a Correspondência de Fluxo Variacional para latentes vetoriais quantizados, aprendendo posteriors categóricos sobre índices de código enquanto computa campos de velocidade no espaço de incorporação contínua. Isso combina a consciência geométrica de métodos contínuos com a supervisão discreta de abordagens categóricas, possibilitando a quantificação de incertezas sobre códigos plausíveis e a geração controlada por temperatura. Avaliamos o Purrception na geração de ImageNet-1k 256x256. O treinamento converge mais rápido do que tanto a correspondência de fluxo contínuo quanto as linhas de base de correspondência de fluxo discreto, alcançando pontuações FID competitivas com modelos de ponta. Isso demonstra que a Correspondência de Fluxo Variacional pode efetivamente conectar transporte contínuo e supervisão discreta para uma eficiência de treinamento melhorada na geração de imagens.
Matişan et al. (Wed,) estudaram esta questão.