本文第一作者為劉啟昊，約翰霍普金斯大學計算機科學博士四年級學生，師從 Alan Yuille 教授，研究方向涉及模型魯棒性、生成模型與 3D 視覺。通訊作者為 Mannat Singh，Meta GenAI 研究員，近期的研究主要涉及視頻生成領域創新工作，包括 Emu Video、MovieGen 等項目。

在人工智能領域，跨模態生成（如文本到圖像、圖像到文本）一直是技術發展的前沿方向。現有方法如擴散模型（Diffusion Models）和流匹配（Flow Matching）雖取得了顯著進展，但仍面臨依賴噪聲分布、復雜條件機制等挑戰。

近期，Meta 與約翰霍普金斯大學聯合推出的CrossFlow框架，以全新的技術路徑實現了跨模態生成的突破性進展，為生成式 AI 開辟了更高效、更通用的可能性。該文章已經被 CVPR 2025 收錄為 Highlight。

• 論文標題：Flowing from Words to Pixels: A Noise-Free Framework for Cross-Modality Evolution
• 論文地址：https://arxiv.org/pdf/2412.15213
• 項目主頁：https://cross-flow.github.io/
• 代碼地址：https://github.com/qihao067/CrossFlow
• Demo地址：https://huggingface.co/spaces/QHL067/CrossFlow

核心創新：從 “噪聲到數據” 到 “模態到模態”

基于 Diffusion 或者流匹配的生成模型通常從高斯噪聲出發，通過逐步去噪或優化路徑生成目標數據。然而，對于噪聲的依賴限制了這類算法的靈活性和潛能。

近期，不少工作在探索如何擺脫對噪聲的依賴，比如使用基于薛定諤橋的生成模型。然而這些算法往往很復雜，并且依舊局限于相似模態之間的生成（比如人類轉貓臉等）。

而 CrossFlow 則深入分析了流匹配，并基于流匹配提出了一種非常簡單跨模態生成新范式，可以直接在模態間進行映射，無需依賴噪聲分布或額外條件機制。例如，在文本到圖像生成中，模型直接使用流匹配學習從文本語義空間到圖像空間的映射，省去了復雜的跨注意力機制（Cross-Attention），僅通過自注意力即可實現高效的文本到圖像生成。

通過直接使用流匹配做模態間的映射，本文提出的模型在僅使用由自注意力和前向層組成的 transformer的情況下，不需要基于任務的特定設計，便在多個任務（圖像生成、字幕生成、深度估計、超分辨率）上實現了媲美乃至超過最優算法的性能。

作者發現，使用流匹配做模態間映射的核心在于如何形成 regularized 的分布。

為了實現這一點，作者提出使用變分編碼器（Variational Encoder）：將輸入模態（如文本）編碼為與目標模態（如圖像）同維度的正則化潛在空間，確保跨模態路徑的平滑性和語義連貫性。然后，作者發現：僅需要訓練一個最簡單的流匹配模型，就可以實現這兩個空間的映射。

同時，現在的圖片生成模型往往依賴無分類器引導（Classifier-free guidance）。這種引導通過改變額外輸入的 condition 來實現。為了在無額外條件機制的情況下實現無分類器引導，作者通過引入二元指示符，在單模型中實現條件與非條件生成的靈活切換，顯著提升生成質量。

實驗表現

作者通過大量實驗證明了新范式的優勢：

1. 在文本到圖像生成任務上，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 的差值算術操作：支持語義層面的加減運算（如 “戴帽子的狗”+“墨鏡”-“帽子”=“戴墨鏡的狗”），為生成內容提供前所未有的可控性，同時為圖像編輯、平滑的視頻生成等任務提供了新思路。

3.源分布可定制，讓圖像生成更靈活，同時顯著降低訓練成本，提高生成速度：原本的圖像生成始終學習從噪聲到圖像的映射，因此流匹配所需要學到的 path 的復雜度是確定的。而 CrossFlow 則建立了一個可學習的源分布到圖像的映射，通過不同的方法來學習源分布，可以改變兩個分布之間的差異以及 path 的復雜度，實現更靈活、快速的生成。

具體來說，相比 DALL-E 2 等模型，CrossFlow 訓練資源需求大幅減少（630 A100 GPU 天 vs. 數千天），而后續的研究工作也表明，通過對源分布的設計，可以進一步將訓練時間縮短至 208 A100 GPU 天，并提高 6.62 倍的采樣速度。

4. 由于流匹配的 “雙向映射” 的特性（bi-directional flow property），可以直接將文本到圖像生成模型反過來使用，成為一個圖像描述（image captioning）模型——該模型在 COCO 上取得了SOTA水平。

5. 無需基于任務的特定設計，即可以在多個任務上（圖像生成、圖像描述、深度估計、超分辨率）的多個數據集上取得 SOTA 的水平，推動模型使用統一、單一框架適配多任務。

結語

CrossFlow 的誕生標志著生成式 AI 從 “噪聲中創造” 邁向 “語義間流轉” 的新階段。其簡潔的設計、卓越的性能與靈活的擴展性，為跨模態生成提供了更多的可能性。