🤖 machine learning

Signed Rectified Flow: Negativity-Controlled Generation

Este artículo presenta Signed Rectified Flow, un marco de modelado generativo que extiende el Rectified Flow para manejar medidas con signo, permitiendo la incorporación de información negativa con principios para suprimir contenido no deseado (como desnudez o datos memorizados) mientras se preserva la calidad y diversidad de la imagen.

Autores originales: Runlong Liao, Baiyu Su, Lizhang Chen, Qiang Liu

Publicado 2026-07-22

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Runlong Liao, Baiyu Su, Lizhang Chen, Qiang Liu

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que le estás enseñando a un robot a pintar. Le muestras miles de fotos de atardeceres hermosos y aprende a crear los suyos propios. Pero, ¿y si también quieres enseñarle lo que no debe pintar? Tal vez no quieres que dibuje garabatos feos, o quizás quieres que evite copiar un personaje específico con derechos de autor como Mickey Mouse. En el mundo de la inteligencia artificial, este es un rompecabezas complicado. Normalmente, los modelos de IA aprenden siendo entrenados sobre qué hacer, pero les cuesta cuando simplemente dices: "No hagas eso". Es como intentar decirle a un perro que no persiga a una ardilla simplemente quedándose quieto; el perro no sabe qué hacer con su energía.

Este artículo se adentra en un rincón específico de la IA llamado "modelado generativo", donde las computadoras crean nuevas imágenes, sonidos o rutas desde cero. Los autores están construyendo sobre una técnica llamada "Rectified Flow" (Flujo Rectificado), que es como una autopista súper eficiente para convertir el ruido aleatorio en una imagen clara. Piensa en ello como una vía de tren recta y rápida que guía una nube caótica de polvo hacia una estatua perfecta. La gran pregunta que abordan es: ¿Cómo construimos una vía de tren que no solo guíe el polvo hacia la estatua, sino que también lo aleje activamente de un montón de basura que no queremos?

Los autores presentan un nuevo y astuto método llamado Signed Rectified Flow (Flujo Rectificado con Signo). En lugar de solo intentar desviar a la IA de las cosas malas, tratan matemáticamente a las "cosas malas" como si tuvieran "masa negativa". Imagina el espacio creativo de la IA como un paisaje. Normalmente, la IA se siente atraída por las zonas altas (imágenes buenas). Este nuevo método crea una zona de "gravedad negativa" sobre las imágenes malas. Es como colocar un imán gigante e invisible que repele la energía creativa de la IA, obligándola a fluir alrededor de las zonas prohibidas y asentarse solo en las áreas seguras y hermosas. Lo probaron en todo, desde mapas en 2D hasta imágenes complejas, y los resultados sugieren que es una forma poderosa de hacer que la IA sea más segura y obediente sin arruinar la calidad de su arte.

La magia de la gravedad "negativa"

Para entender cómo funciona esto, imaginemos el viaje de la IA como un río que fluye desde un manantial montañoso ruidoso (estática aleatoria) hacia un lago tranquilo (la imagen final). En la IA estándar, simplemente construimos un canal para guiar el agua hacia el lago. Pero, ¿qué pasa si hay un pantano en medio que queremos evitar?

Los autores proponen una idea fascinante: tratar el pantano como si tuviera agua negativa. En el mundo real, el agua negativa no existe, pero en matemáticas, sí. Crean un mapa "con signo" donde las áreas buenas tienen agua positiva y las áreas malas tienen agua negativa. Cuando la IA intenta fluir a través de este mapa, el agua negativa actúa como una fuerza de repulsión. No se queda allí sentada; empuja al río lejos de ella.

Aquí está la parte genial: la IA no fluye realmente a través del pantano negativo. En su lugar, las matemáticas crean una "región fantasma" o una barrera. El río se curva naturalmente alrededor de la zona negativa, encontrando un camino que se mantiene enteramente en las áreas positivas y seguras. Es como si la IA fuera un excursionista que puede sentir una atracción magnética alejándose del borde de un acantilado. El excursionista nunca se cae porque el suelo mismo parece inclinarse para alejarse del peligro.

La analogía de la "partícula cargada"

Los autores explican esto usando una divertida analogía de la física: las partículas cargadas. Imagina que los puntos de datos de la IA son pequeñas partículas. Los datos buenos (como la foto de un gato) tienen una carga positiva, y los datos malos (como la foto de un perro cuando querías un gato) tienen una carga negativa.

Cuando la IA genera una nueva imagen, es como liberar una partícula positiva al inicio de un viaje. A medida que avanza, siente una fuerte repulsión de las cargas negativas. Si se acerca demasiado a la zona "mala", la repulsión se vuelve tan fuerte que actúa como un muro, haciendo que la partícula rebote hacia el lado bueno. El artículo muestra que esto crea una "región alcanzable" donde la IA puede explorar de forma segura, mientras que la "región negativa" permanece completamente intacta. La IA nunca pisa accidentalmente la zona prohibida porque la matemática del flujo hace que sea físicamente imposible para la partícula cruzar ese límite.

Lo que encontraron en el laboratorio

El equipo no solo imaginó esto; lo probó de varias maneras y los resultados parecen prometedores.

1. Los mapas de juguete en 2D
Primero, jugaron con mapas sencillos en 2D. Imagina un mapa con una isla "buena" y un pantano "malo". Cuando usaron los métodos antiguos, la IA o se quedaba atrapada en el pantano o era empujada tan lejos que terminaba en un desierto estéril. Con el Signed Rectified Flow, la IA se mantuvo perfectamente en la isla buena, evitando el pantano por completo y cubriendo toda la isla. Fue como un GPS perfecto que sabía exactamente a dónde no ir.

2. La prueba de "anti-memorización"
Una de las mayores preocupaciones con la IA es que pueda simplemente copiar y pegar imágenes de sus datos de entrenamiento (memorización). Los autores usaron su método para decirle a la IA: "No copies las imágenes exactas que viste en el entrenamiento". Trataron los datos de entrenamiento como la zona "negativa".

El Resultado: Cuando le pidieron a la IA que dibujara una raza de perro específica, la IA estándar a veces copiaba la foto exacta de su conjunto de entrenamiento, incluyendo artefactos extraños como marcas de agua o bordes. Sin embargo, la IA de Signed Rectified Flow dibujó un perro nuevo y único que se parecía a la raza, pero no copió la foto específica del entrenamiento. Logró alejar las imágenes generadas del "pantano de los datos de entrenamiento" mientras mantenía al perro pareciendo un perro.
Los Números: En sus pruebas, encontraron que el uso de este método redujo significamente la similitud con las imágenes de entrenamiento. Por ejemplo, con una configuración específica, redujeron la "tasa de éxito de ataque" (qué tan seguido la IA fallaba al evitar contenido malo) del 15.19% al 6.33% en las pruebas de seguridad, manteniendo las puntuaciones de calidad de imagen (puntuaciones CLIP y Aesthetic) casi exactamente iguales.

3. Seguridad y supresión de conceptos
También probaron si podían evitar que la IA dibujara contenido inapropiado o personajes específicos con derechos de autor.

La prueba de Mickey Mouse: Le dijeron a la IA que dibujara un "ratón de caricatura con orejas negras redondas y pantalones cortos rojos", pero le dijeron explícitamente: "No dibujes a Mickey Mouse". La IA estándar a menudo dibujaba a Mickey Mouse de todos modos. La IA de Signed Rectified Flow dibujó un ratón que tenía todas las características solicitadas (orejas, pantalones cortos, zapatos) pero que era lo suficientemente distinto como para evitar la identidad con derechos de autor.
La prueba de la desnudez: En un benchmark llamado "Ring-A-Bell", que intenta engañar a la IA para que dibuje desnudez, el nuevo método redujo la tasa de fallo del 15.19% al 6.33%. Esto significa que fue mucho mejor siguiendo la regla de "no hagas esto" sin que las imágenes se vieran borrosas o rotas.

Por qué esto es importante

La belleza de este enfoque es que no es solo un "truco" o un filtro simple. Es un cambio fundamental en cómo la IA se mueve a través de su espacio creativo. Al usar el concepto de "masa negativa", los autores crearon un sistema donde la IA evita naturalmente las cosas malas porque la matemática de su viaje la empuja lejos de ellas.

Demostraron que esto funciona ya sea que estés guiando a un robot a través de un laberinto, generando nuevas imágenes de perros, o tratando de asegurar que una IA no copie sus datos de entrenamiento. El método es flexible: puedes subir o bajar la "repulsión" (usando un parámetro llamado $\alpha$ ) para decidir qué tan estrictamente debe la IA evitar las cosas malas.

El artículo sugiere que esta es una forma principal y matemáticamente sólida de manejar las instrucciones negativas. No se trata solo de decir "no"; se trata de construir un mundo donde el "no" es una barrera física que la IA no puede cruzar. Aunque los autores señalan que su método requiere un poco más de potencia de cómputo (aproximadamente un 10% más de tiempo y memoria) para calcular estas fuerzas de repulsión, el intercambio parece valer la pena por la seguridad y el control adicionales que proporciona.

En resumen, el Signed Rectified Flow le da a la IA un nuevo tipo de sentido común: la capacidad de no solo saber qué hacer, sino de comprender verdaderamente qué no hacer, manteniendo viva su chispa creativa.

Resumen Técnico: Flujo Rectificado Firmado (Signed RF)

Planteamiento del Problema

Muchas tareas de modelado generativo requieren no solo promover una distribución deseable ( $\pi_+$ ), sino también suprimir explícitamente una indeseable ( $\pi_-$ ). Esto surge en la generación condicional (coincidir con objetivos evitando inconsistencias), el alineamiento de seguridad (generar salidas alineadas con valores mientras se excluyen las perjudiciales) y el aprendizaje de preferencias.

Los enfoques actuales, particularmente para modelos de flujo y difusión, dependen de una guía heurística en el momento del muestreo (por ejemplo, Classifier-Free Guidance). Estos métodos extrapolan entre campos positivos y negativos utilizando escalas fijas o ajustadas manualmente. Sin embargo, las distribuciones de muestreo inducidas se comprenden poco, lo que hace que no esté claro qué regiones del espacio de datos se están promoviendo o suprimiendo efectivamente. Además, la guía estándar lucha con el problema de los "datos negativos faltantes", donde la ausencia de ejemplos negativos en el entrenamiento no impide inherentemente que el modelo los genere.

Metodología: Flujo Rectificado Firmado

Los autores proponen el Flujo Rectificado Firmado (Signed RF), un marco basado en principios que generaliza el Flujo Rectificado (RF) para manejar medidas firmadas.

1. El Objetivo Firmado

En lugar de una distribución de probabilidad estándar, el Signed RF define una medida objetivo firmada:
$\pi_{\text{sign}} = (1 + \alpha)\pi_+ - \alpha\pi_-$
donde $\alpha > 0$ . Aquí, $\pi_+$ representa la distribución a promover y $\pi_-$ representa la distribución a suprimir. Aunque $\pi_{\text{sign}}$ no es una distribución de probabilidad válida (puede tomar valores negativos y no se integra como 1 en el sentido estándar), sirve como un objeto intermedio para codificar restricciones de exclusión explícitas.

2. Dinámica y Campo de Velocidad

El Signed RF extiende la fórmula de velocidad del RF a este objetivo firmado. Dadas las distribuciones marginales $\pi^+_t$ y $\pi^-_t$ y sus respectivos campos de velocidad $v^+_t$ y $v^-_t$ inducidos por una interpolación lineal desde una distribución fuente $\pi_0$ , el campo de velocidad de Signed RF se deriva como:
$v^{\text{signRF}}_t(x) = \frac{(1 + \alpha)\pi^+_t(x)v^+_t(x) - \alpha\pi^-_t(x)v^-_t(x)}{(1 + \alpha)\pi^+_t(x) - \alpha\pi^-_t(x)}$
Esto puede reescribirse en una forma similar a la guía:
$v^{\text{signRF}}_t(x) = v^+_t(x) + \lambda^\alpha_t(x) \Delta v_t(x)$
donde $\Delta v_t(x) = v^+_t(x) - v^-_t(x)$ y la fuerza de la guía $\lambda^\alpha_t(x)$ está determinada por la razón de densidad $r_t(x) = \pi^-_t(x)/\pi^+_t(x)$ :
$\lambda^\alpha_t(x) = \frac{\alpha r_t(x)}{(1 + \alpha) - \alpha r_t(x)}$

3. Garantías Teóricas: Regiones Alcanzables y Fantasma

El artículo analiza el comportamiento de las trayectorias inicializadas desde la fuente ( $Z_0 \sim \pi_0$ ) bajo esta dinámica:

Preservación de la Región Positiva: Las trayectorias permanecen estrictamente dentro de la región positiva $\Omega^+_t = \{x : \pi_{\text{sign}}_t(x) > 0\}$ y nunca cruzan hacia la región negativa $\Omega^-_t$ .
El Conjunto Cero como Barrera: El conjunto donde $\pi_{\text{sign}}_t(x) = 0$ actúa como una barrera repulsiva. El campo de velocidad se vuelve singular en este límite, impidiendo la penetración.
Regiones Alcanzables vs. Fantasma: La ley de muestreo $\pi^{\text{signRF}}_t$ coincide exactamente con la marginal firmada $\pi_{\text{sign}}_t$ en una región alcanzable $\Omega^r_t \subseteq \Omega^+_t$ . La parte restante de la región positiva se denomina región fantasma ( $\Omega^g_t$ ). La masa positiva en la región fantasma equilibra exactamente la masa negativa excluida de la ley de muestreo.
Interpretación: Los autores proporcionan una interpretación de "partícula cargada" donde las partículas positivas y negativas se aniquilan en el límite cero, creando una separación estructural entre las trayectorias muestreadas y las regiones negativas.

4. Implementación Práctica

Para implementar Signed RF, la razón de densidad $r_t(x)$ debe estimarse. El artículo propone dos métodos:

Basado en Clasificador: Entrenar un clasificador binario sobre estados ruidosos de las ramas positiva y negativa para estimar la razón de probabilidades (odds ratio).
Seguimiento de Razón en Línea: Rastrear la razón de log-densidad $u_t = \log r_t(z_t)$ a lo largo de la trayectoria integrando una ODE derivada de la ecuación de continuidad y las funciones de score. Esto evita el entrenamiento de un clasificador auxiliar.

Principales Contribuciones y Resultados

1. Marco Teórico

El artículo establece que Signed RF rectifica una marginal firmada en una ley de probabilidad válida al preservar la densidad firmada en la región alcanzable y asignar densidad cero en otra parte. Esto proporciona una base rigurosa para incorporar información negativa, demostrando que el flujo inducido evita naturalmente las regiones negativas sin requerir restricciones ad-hoc.

2. Aplicaciones Empíricas

Los autores demuestran Signed RF a través de varios dominios:

Ejemplos de Juego 2D y PointMaze: Signed RF separa con éxito los modos positivos y negativos y navega obstáculos (problema de datos negativos faltantes) donde la guía constante falla (ya sea fallando en repeler o repeliendo en exceso).
Generación Condicional de Clase en ImageNet: Utilizando un modelo de Rectified Flow preentrenado, Signed RF mejora el equilibrio fidelidad–diversidad. Con 16 NFE (Número de Evaluaciones de Función), reduce el FID de 2.38 (CFG) a 1.82 manteniendo un mayor recall con precisión comparable.
Anti-Memorización: Al modelar el conjunto de entrenamiento como una distribución negativa, Signed RF (denominado "Data Repulsive Flow") reduce la replicación de datos de entrenamiento. En semillas de alto riesgo, suprime artefactos específicos del conjunto de datos (marcas de agua, bordes) y aumenta las distancias de vecino más cercano al conjunto de entrenamiento preservando la calidad de generación (FID 2.03 vs. 7.41 para SPELL-50).
Supresión de Conceptos y Seguridad: Aplicado a Stable Diffusion 3.5, Signed RF reduce la tasa de éxito de ataque (ASR) para la generación de desnudez del 15.19% al 6.33% y las tasas de toxicidad, mientras preserva las puntuaciones de CLIP y estética. También suprime eficazmente conceptos específicos (por ejemplo, identidades de personajes con derechos de autor como Mickey Mouse o Spider-Man) mientras retiene atributos visuales deseados.

Significado y Reivindicaciones

El artículo afirma que Signed Rectified Flow ofrece un marco basado en principios y práctico para incorporar distribuciones negativas explícitas en flujos generativos. A diferencia de los métodos de guía heurística que dependen de escalas fijas, Signed RF deriva una fuerza de guía dependiente del estado a partir de la razón de densidad local entre las ramas positiva y negativa.

Las reivindicaciones clave incluyen:

Rigor Teórico: Proporciona un mecanismo matemáticamente fundamentado para la exclusión, demostando que los flujos inicializados desde la fuente evitan naturalmente las regiones negativas mediante una barrera repulsiva en el conjunto cero firmado.
Resolución de Datos Negativos Faltantes: Aborda la limitación de los datos de entrenamiento que carecen de ejemplos negativos explícitos permitiendo al usuario definir una distribución negativa (por ejemplo, el propio conjunto de datos o un concepto específico) para ser suprimida.
Optimización del Trade-off: Empíricamente, logra mejores equilibrios de fidelidad–diversidad y una supresión de conceptos más efectiva que las líneas base existentes (CFG, SPELL, SAFREE) sin un aumento significativo en la carga computacional (aproximadamente un 10% de aumento en tiempo de ejecución y memoria).

El trabajo posiciona a Signed RF como una extensión general del Rectified Flow que unifica el manejo de la promoción y la supresión dentro de un único sistema dinámico, yendo más allá de la extrapolación heurística hacia una ley de muestreo teóricamente justificada.