Die Forscher Pedro Curvo und Jan-Willem van de Meent von der Universität Amsterdam veröffentlichten gemeinsam mit anderen die Arbeit „Follow the Mean: Reference-Guided Flow Matching“ (arXiv: 2605.10302). Sie stellen darin einen kostengünstigen neuen Ansatz vor, um vortrainierte generative Modelle zu steuern. Der Kerngedanke lautet: Im Rahmen deterministischer Interpolationen wird das Geschwindigkeitsfeld der Generationsbahn allein durch den Mittelwert der Endpunkte bestimmt – verschiebt man diesen Mittelwert während des Sampling-Prozesses, ändert sich automatisch die gesamte Bahn. Der Nutzer liefert lediglich eine Reihe Referenzbilder mit gewünschten Eigenschaften; das Modell berechnet deren empirischen Mittelwert und korrigiert anschließend die Generationsrichtung. Dazu sind weder ein erneutes Training noch zusätzliche Belohnungsnetzwerke oder Klassifikatoren nötig – die Methode funktioniert bei Farben, Stilen, Identitätsmerkmalen sowie Strukturen gleichermaßen.
Zwei konkrete Umsetzungen werden beschrieben: Zum einen die trainingsfreie Referenz-Mittelwert-Steuerung (RMG), die ein bereits trainiertes Modell direkt in geschlossener Form anpasst; zum anderen eine halbparametrische Variante, bei der ein Residuum-Verfeinerer trainiert wird – dabei kann der Referenz-Set sogar während der Inferenz gewechselt werden. Demonstrationen zeigen Anwendungen wie Stiltransfer, Attribut-Editing sowie Korrekturen anatomischer Strukturen; der Quellcode ist auf GitHub verfügbar. Van de Meent, einer der Mitautoren, bezeichnete das Verfahren als „so simpel, dass es fast peinlich ist – doch die Ergebnisse übertreffen alle Erwartungen“.
arXiv | HuggingFace | GitHub