炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

本文第一作者为刘启昊，约翰霍普金斯大学计算机科学博士四年级学生，师从 Alan Yuille 教授，研究方向涉及模型鲁棒性、生成模型与 3D 视觉。通讯作者为 Mannat Singh，Meta GenAI 研究员，近期的研究主要涉及视频生成领域创新工作，包括 Emu Video、MovieGen 等项目。

在人工智能领域，跨模态生成（如文本到图像、图像到文本）一直是技术发展的前沿方向。现有方法如扩散模型（Diffusion Models）和流匹配（Flow Matching）虽取得了显著进展，但仍面临依赖噪声分布、复杂条件机制等挑战。

近期，Meta 与约翰霍普金斯大学联合推出的CrossFlow框架，以全新的技术路径实现了跨模态生成的突破性进展，为生成式 AI 开辟了更高效、更通用的可能性。该文章已经被 CVPR 2025 收录为 Highlight。

核心创新：从 “噪声到数据” 到 “模态到模态”

基于 Diffusion 或者流匹配的生成模型通常从高斯噪声出发，通过逐步去噪或优化路径生成目标数据。然而，对于噪声的依赖限制了这类算法的灵活性和潜能。

近期，不少工作在探索如何摆脱对噪声的依赖，比如使用基于薛定谔桥的生成模型。然而这些算法往往很复杂，并且依旧局限于相似模态之间的生成（比如人类转猫脸等）。

而 CrossFlow 则深入分析了流匹配，并基于流匹配提出了一种非常简单跨模态生成新范式，可以直接在模态间进行映射，无需依赖噪声分布或额外条件机制。例如，在文本到图像生成中，模型直接使用流匹配学习从文本语义空间到图像空间的映射，省去了复杂的跨注意力机制（Cross-Attention），仅通过自注意力即可实现高效的文本到图像生成。

通过直接使用流匹配做模态间的映射，本文提出的模型在仅使用由自注意力和前向层组成的 transformer的情况下，不需要基于任务的特定设计，便在多个任务（图像生成、字幕生成、深度估计、超分辨率）上实现了媲美乃至超过最优算法的性能。

作者发现，使用流匹配做模态间映射的核心在于如何形成 regularized 的分布。

为了实现这一点，作者提出使用变分编码器（Variational Encoder）：将输入模态（如文本）编码为与目标模态（如图像）同维度的正则化潜在空间，确保跨模态路径的平滑性和语义连贯性。然后，作者发现：仅需要训练一个最简单的流匹配模型，就可以实现这两个空间的映射。

同时，现在的图片生成模型往往依赖无分类器引导（Classifier-free guidance）。这种引导通过改变额外输入的 condition 来实现。为了在无额外条件机制的情况下实现无分类器引导，作者通过引入二元指示符，在单模型中实现条件与非条件生成的灵活切换，显著提升生成质量。

实验表现

作者通过大量实验证明了新范式的优势：

1. 在文本到图像生成任务上，相比于主流的使用跨注意力增加 text condition 的方法，CrossFlow 取得了更好的生成效果，并且有更好的 scaling 特性。

2.latent space 的差值算术操作：支持语义层面的加减运算（如 “戴帽子的狗”+“墨镜”-“帽子”=“戴墨镜的狗”），为生成内容提供前所未有的可控性，同时为图像编辑、平滑的视频生成等任务提供了新思路。

3.源分布可定制，让图像生成更灵活，同时显著降低训练成本，提高生成速度：原本的图像生成始终学习从噪声到图像的映射，因此流匹配所需要学到的 path 的复杂度是确定的。而 CrossFlow 则建立了一个可学习的源分布到图像的映射，通过不同的方法来学习源分布，可以改变两个分布之间的差异以及 path 的复杂度，实现更灵活、快速的生成。

具体来说，相比 DALL-E 2 等模型，CrossFlow 训练资源需求大幅减少（630 A100 GPU 天 vs. 数千天），而后续的研究工作也表明，通过对源分布的设计，可以进一步将训练时间缩短至 208 A100 GPU 天，并提高 6.62 倍的采样速度。

4. 由于流匹配的 “双向映射” 的特性（bi-directional flow property），可以直接将文本到图像生成模型反过来使用，成为一个图像描述（image captioning）模型——该模型在 COCO 上取得了SOTA水平。

5. 无需基于任务的特定设计，即可以在多个任务上（图像生成、图像描述、深度估计、超分辨率）的多个数据集上取得 SOTA 的水平，推动模型使用统一、单一框架适配多任务。

结语

CrossFlow 的诞生标志着生成式 AI 从 “噪声中创造” 迈向 “语义间流转” 的新阶段。其简洁的设计、卓越的性能与灵活的扩展性，为跨模态生成提供了更多的可能性。