引言：生成模型的新问题
生成模型（如 Diffusion、Autoregressive）在图像、文本、音频生成领域已经大放异彩。但它们仍然面临一个关键瓶颈：多步生成、推理时间长、无法端到端。
Kaiming He 教授在 CVPR 2025 上做了这场名为《Towards End-to-End Generative Modeling》的教程，深入探讨了：
- 识别模型与生成模型的对偶结构；
- Flow Matching 如何建立路径；
- 平均流（MeanFlow）模型如何实现一步生成。
本文为该教程的详细解读。
Part 1：历史回顾 --- 从层级训练到端到端识别
AlexNet之后：端到端识别成为主流
- 自 2012 年 AlexNet 横空出世以来，深度网络训练强调端到端反向传播。
- 模型架构：Layer1 → Layer2 → ... → LayerN → 分类头 → Backpropagation。
AlexNet之前：分层训练曾是主流
- 早期模型如 DBN（Deep Belief Net）、Denoising Autoencoders（DAE）使用逐层训练（layer-wise pretraining）。
- 每一层单独训练，并局部构建 loss。
Part 2：历史是否在生成模型中重演？
类似分层训练的现象再次出现：
- Diffusion Models：逐步加噪、逐步去噪。
- Autoregressive Models ：一步步生成 token。
它们本质上都像是在执行"多步反向生成"------一个现代的"分层生成"。
Part 3：识别 vs 生成：同一硬币的两面？
一张经典图（作者 Phillip Isola）揭示了这一思想：
- 识别：从数据到抽象（embedding）
- 生成：从抽象到数据
- 两者共享 embedding，是互为镜像的过程。
- 识别强调"确定映射"，生成强调"多样性建构"。
Part 4：流匹配（Flow Matching）：桥接路径的方式
识别是数据 → label，生成是 noise → data。
如何构建从 noise 到 data 的路径？
答案之一：Flow Matching
- 借助神经常微分方程（Neural ODE）
- 构建流场（velocity field）
- 将噪声样本逐步"流"向真实数据
但传统 Flow Matching 仍然依赖逐步估计轨迹 ，本质上仍是多步。
Part 5：MeanFlow --- 一步式生成模型的尝试
为了解决多步生成的问题，Kaiming He 和团队提出：
MeanFlow（平均流）模型
关键思想：
- 不再逼近整条路径积分（太贵）；
- 直接建模平均速度场（average velocity）；
- 用 导数形式 替代积分 → 更高效；
- 推导出 MeanFlow Identity，为训练提供直接目标；
与 Flow Matching 比较：
| 特性 | Flow Matching | MeanFlow |
|---|---|---|
| 是否积分 | 需要轨迹积分 | 用微分替代积分 |
| 是否逐步生成 | 是 | 否（一步） |
| 可否端到端 | 难 | 可以 |
| 速度建模 | 实时速度 v | 平均速度 u |
Part 6：实验证明
数据集：ImageNet 256x256
- 1-step 生成（1-NFE） 取得 FID ≈ 3.43，媲美传统多步模型。
- 速度提升 70%，保持生成质量。
- 图像样例显示模型具有良好的细节保真度。
Part 7：未来展望
"我们是否仍处在生成模型的 AlexNet 之前？"
- MeanFlow 仍以 Flow Matching 思维为内核；
- 核心目标：找到真正的端到端生成建模方式；
- 挑战：
- 如何同时兼顾速度场、轨迹、分布合理性。
总结：端到端生成建模的曙光
这场教程不仅回顾了生成模型的技术发展，还提出了一个可行的方向------一步式平均流建模。
博客核心要点：
- 生成和识别是"同一硬币的两面"；
- Flow Matching 建立路径，但多步；
- MeanFlow 使用导数替代积分，追求一步建模；
- 实验效果优异，值得进一步关注。
参考资料：
- 📄 论文地址：arXiv: MeanFlow (May 2025)
- Denoising Diffusion Probabilistic Models
- Consistency Models (Song+)
- Neural ODE / Flow Matching