- 张芷铭的个人博客

Rectified Flow 通过直线路径优化实现高效去噪，仅需 20-50 步即可完成生成。

核心创新

传统扩散模型局限

计算复杂，需维护噪声系数表
步数多（通常 1000 步）
随机性控制困难

Rectified Flow 解决方案

直线路径公式：$z_t = (1-t) \cdot \text{data} + t \cdot \text{noise}$

去噪目标：预测速度场 $v_\Theta$，而非直接预测噪声

去噪步骤：$z_{t-1} = z_t - \Delta t \cdot v_\Theta$

调度器核心功能

动态时间步计算

1
2
dt = timestep - lower_timestep  # 计算 Δt
prev_sample = sample - dt * model_output  # z_{t-1} = z_t - Δt * v_Θ

随机性控制

1
2
3
if stochastic_sampling:
    x0 = sample - timestep * model_output
    prev_sample = self.add_noise(x0, noise, next_timestep)

条件掩码

1
2
tokens_to_denoise_mask = (t - t_eps < (1.0 - conditioning_mask)).unsqueeze(-1)
return torch.where(tokens_to_denoise_mask, denoised_latents, latents)

支持细粒度时空控制，如视频特定帧局部编辑。

架构对比

维度	传统扩散 (DDPM)	Rectified Flow
路径设计	弯曲路径	直线路径
计算效率	需 1000 步	仅需 20-50 步
随机性控制	需切换采样器	参数灵活开关
数学框架	SDE/概率扩散	ODE/最优传输

总结

Rectified Flow 通过直线路径设计减少误差累积，动态时间控制提升数值稳定性，支持细粒度条件生成，是平衡质量、速度与控制力的关键模块。