🤖 machine learning

Signed Rectified Flow: Negativity-Controlled Generation

यह शोध पत्र साइन्ड रेक्टिफाइड फ्लो (Signed Rectified Flow) का परिचय देता है, जो एक जनरेटिव मॉडलिंग फ्रेमवर्क है जो साइन्ड मेजर्स (signed measures) को संभालने के लिए रेक्टिफाइड फ्लो का विस्तार करता है, जिससे छवि की गुणवत्ता और विविधता को बनाए रखते हुए अवांछित सामग्री (जैसे नग्नता या संग्रहीत डेटा) को दबाने के लिए सिद्धांतपूर्ण नकारात्मक सूचना समावेश को सक्षम बनाया जा सके।

मूल लेखक: Runlong Liao, Baiyu Su, Lizhang Chen, Qiang Liu

प्रकाशित 2026-07-22

📖 9 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Runlong Liao, Baiyu Su, Lizhang Chen, Qiang Liu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट को पेंटिंग करना सिखा रहे हैं। आप उसे सुंदर सूर्यास्त की हजारों तस्वीरें दिखाते हैं और वह उनसे अपने स्वयं के चित्र बनाना सीख जाता है। लेकिन क्या होगा यदि आप उसे यह भी सिखाना चाहें कि क्या नहीं पेंट करना है? शायद आप नहीं चाहते कि वह बदसूरत टेढ़ी-मेढ़ी लकीरें बनाए, या शायद आप चाहते हैं कि वह मिकी माउस जैसे किसी विशिष्ट कॉपीराइट वाले पात्र की नकल करने से बचे। आर्टिफिशियल इंटेलिजेंस की दुनिया में, यह एक पेचीदा पहेली है। आमतौर पर, AI मॉडल यह सीखकर काम करते हैं कि क्या करना है, लेकिन जब आप सिर्फ कहते हैं, "ऐसा मत करो," तो वे संघर्ष करते हैं। यह एक कुत्ते को केवल स्थिर खड़े रहकर गिलहरी का पीछा न करने के लिए कहने जैसा है; कुत्ता अपनी ऊर्जा का उपयोग कैसे करे, यह नहीं समझ पाता।

यह शोध पत्र "जेनरेटिव मॉडलिंग" नामक AI के एक विशिष्ट क्षेत्र में गहराई से उतरता है, जहाँ कंप्यूटर शून्य से नई छवियां, ध्वनियाँ या पथ बनाते हैं। लेखक "रेक्टिफाइड फ्लो" (Rectified Flow) नामक एक तकनीक पर काम कर रहे हैं, जो रैंडम शोर (noise) को एक स्पष्ट चित्र में बदलने के लिए एक सुपर-एफिशिएंट हाईवे की तरह है। इसे एक सीधी, तेज़ ट्रेन ट्रैक की तरह समझें जो धूल के एक अराजक बादल को एक पूर्ण मूर्ति में बदल देती है। बड़ा सवाल यह है कि वे जिस सवाल का समाधान कर रहे हैं वह यह है: हम एक ऐसा ट्रेन ट्रैक कैसे बना सकते हैं जो न केवल धूल को मूर्ति की ओर ले जाए, बल्कि उसे उस कचरे के ढेर से भी सक्रिय रूप से दूर धकेले जिसे हम नहीं चाहते?

लेखक एक चतुर नई विधि पेश करते हैं जिसे साइंड रेक्टिफाइड फ्लो (Signed Rectified Flow) कहा जाता है। केवल AI को बुरी चीजों से दूर जाने का रास्ता दिखाने के बजाय, वे गणितीय रूप से "बुरी" चीजों को "नेगेटिव मास" (ऋणात्मक द्रव्यमान) के रूप में देखते हैं। कल्पना कीजिए कि AI का रचनात्मक स्थान एक परिदृश्य (landscape) है। आमतौर पर, AI ऊंचे स्थानों (अच्छी तस्वीरों) की ओर आकर्षित होता है। यह नई विधि बुरी तस्वीरों के ऊपर एक "नेगेटिव ग्रेविटी" ज़ोन बना देती है। यह एक विशाल, अदृश्य चुंबक रखने जैसा है जो AI की रचनात्मक ऊर्जा को प्रतिकर्षित (repel) करता है, जिससे वह वर्जित क्षेत्रों के चारों ओर बहने और केवल सुरक्षित, सुंदर क्षेत्रों में बसने के लिए मजबूर होता है। उन्होंने 2D मानचित्रों से लेकर जटिल छवियों तक सब कुछ पर इसका परीक्षण किया, और परिणाम बताते हैं कि यह AI को उसकी कला की गुणवत्ता को खराब किए बिना सुरक्षित और आज्ञाकारी बनाने का एक शक्तिशाली तरीका है।

"नेगेटिव" ग्रेविटी का जादू

यह समझने के लिए कि यह कैसे काम करता है, आइए AI की यात्रा को एक नदी के रूप में देखें जो एक शोर भरे पहाड़ी झरने (रैंडम स्टैटिक) से नीचे एक शांत झील (अंतिम छवि) की ओर बहती है। मानक AI में, हम बस पानी को झील तक ले जाने के लिए एक चैनल बनाते हैं। लेकिन क्या होगा यदि बीच में एक दलदल हो जिससे हमें बचना हो?

लेखक एक दिलचस्प विचार प्रस्तावित करते हैं: दलदल को "नेगेटिव वॉटर" (ऋणात्मक जल) के रूप में मानना। वास्तविक दुनिया में ऋणात्मक जल का अस्तित्व नहीं है, लेकिन गणित में, यह होता है। वे एक "साइंड" (चिह्नित) मानचित्र बनाते हैं जहाँ अच्छे क्षेत्रों में सकारात्मक जल होता है और बुरे क्षेत्रों में ऋणात्मक जल होता है। जब AI इस मानचित्र के माध्यम से बहने की कोशिश करता है, तो ऋणात्मक जल एक प्रतिकर्षण बल (repulsive force) के रूप में कार्य करता है। यह केवल वहां बैठा नहीं रहता; यह नदी को दूर धकेलता है।

यहाँ दिलचस्प बात यह है: AI वास्तव में ऋणात्मक दलदल के बीच से नहीं बहता है। इसके बजाय, गणित एक "घोस्ट रीजन" (भूतिया क्षेत्र) या एक बाधा बनाता है। नदी स्वाभाविक रूप से ऋणात्मक क्षेत्र के चारों ओर मुड़ जाती है, एक ऐसा रास्ता खोज लेती है जो पूरी तरह से सकारात्मक, सुरक्षित क्षेत्रों में रहता है। यह एक ऐसे हाइकर की तरह है जो चट्टान के किनारे से दूर जाने वाले चुंबकीय खिंचाव को महसूस कर सकता है। हाइकर कभी गिरता नहीं है क्योंकि जमीन खुद खतरे से दूर झुकती हुई प्रतीत होती है।

"चार्ज्ड पार्टिकल" (आवेशित कण) की उपमा

लेखक इसे भौतिकी की एक मजेदार उपमा का उपयोग करके समझाते हैं: चार्ज्ड पार्टिकल्स। कल्पना कीजिए कि AI के डेटा पॉइंट्स छोटे कण हैं। अच्छा डेटा (जैसे बिल्ली की तस्वीर) एक सकारात्मक चार्ज रखता है, और बुरा डेटा (जैसे जब आप बिल्ली चाहते थे और कुत्ते की तस्वीर आ गई) एक नकारात्मक चार्ज रखता है।

जब AI एक नई छवि बनाता है, तो यह यात्रा की शुरुआत में एक सकारात्मक कण छोड़ने जैसा होता है। जैसे-जैसे वह आगे बढ़ता है, वह नकारात्मक आवेशों से एक मजबूत प्रतिकर्षण महसूस करता है। यदि वह "बुरे" ज़ोन के बहुत करीब आता है, तो प्रतिकर्षण इतना मजबूत हो जाता है कि यह एक दीवार की तरह कार्य करता है, कण को वापस अच्छी दिशा में उछाल देता है। शोध पत्र दिखाता है कि यह एक "रीचेबल रीजन" (पहुंच योग्य क्षेत्र) बनाता है जहाँ AI सुरक्षित रूप से अन्वेषण कर सकता है, जबकि "नेगेटिव रीजन" पूरी तरह से अछूता रहता है। AI कभी भी वर्जित क्षेत्र में कदम नहीं रखता क्योंकि प्रवाह का गणित उस कण के लिए उस सीमा को पार करना भौतिक रूप से असंभव बना देता है।

उन्होंने लैब में क्या पाया

टीम ने केवल यह कल्पना नहीं की; उन्होंने इसे कई तरीकों से परखा, और परिणाम आशाजनक दिखते हैं।

1. 2D टॉय मैप्स
सबसे पहले, उन्होंने सरल 2D मानचित्रों के साथ प्रयोग किया। एक मानचित्र की कल्पना करें जिसमें एक "अच्छा" द्वीप और एक "बुरा" दलदल है। जब उन्होंने पुराने तरीकों का उपयोग किया, तो AI या तो दलदल में फंस गया या इतना दूर धकेल दिया गया कि वह एक बंजर रेगिस्तान में पहुँच गया। 'साइंड रेक्टिफिड फ्लो' के साथ, AI पूरी तरह से अच्छे द्वीप पर रहा, दलदल से पूरी तरह बचते हुए और पूरे द्वीप को कवर करते हुए। यह एक सटीक GPS की तरह था जो जानता था कि कहाँ नहीं जाना है।

2. "एंटी-मेमोराइजेशन" टेस्ट
AI के साथ सबसे बड़ी चिंताओं में से एक यह है कि यह अपने प्रशिक्षण डेटा से चित्रों की नकल कर सकता है (मेमोराइजेशन)। लेखकों ने अपने तरीके का उपयोग AI को यह बताने के लिए किया, "अपने प्रशिक्षण डेटा में देखी गई सटीक तस्वीरों की नकल न करें।" उन्होंने प्रशिक्षण डेटा को "नेगेटिव" ज़ोन माना।

परिणाम: जब उन्होंने AI को एक विशिष्ट कुत्ते की नस्ल बनाने के लिए कहा, तो मानक AI कभी-कभी वॉटरमार्क या बॉर्डर जैसी अजीब चीज़ों के साथ प्रशिक्षण सेट से सटीक फोटो की नकल कर लेता था। हालाँकि, 'साइंड रेक्टिफाइड फ्लो' वाले AI ने एक नया, अद्वितीय कुत्ता बनाया जो नस्ल जैसा दिखता था लेकिन उसने विशिष्ट प्रशिक्षण फोटो की नकल नहीं की। इसने सफलतापूर्वक उत्पन्न छवियों को "प्रशिक्षण डेटा के दलदल" से दूर धकेला, जबकि कुत्ते को कुत्ता जैसा बनाए रखा।
आंकड़े: अपने परीक्षणों में, उन्होंने पाया कि इस पद्धति का उपयोग करने से प्रशिक्षण छवियों के साथ समानता काफी कम हो गई। उदाहरण के लिए, एक विशिष्ट सेटिंग के साथ, उन्होंने सुरक्षा परीक्षणों में "अटैक सक्सेस रेट" (वह दर जब AI खराब सामग्री से बचने में विफल रहा) को 15.19% से घटाकर 6.33% कर दिया, जबकि इमेज क्वालिटी स्कोर (CLIP और एस्थेटिक स्कोर) लगभग समान रहे।

3. सुरक्षा और कॉन्सेप्ट सप्रेशन (अवधारणा दमन)
उन्होंने यह भी परीक्षण किया कि क्या वे AI को अनुचित सामग्री या विशिष्ट कॉपीराइट वाले पात्रों को बनाने से रोक सकते हैं।

मिकी माउस टेस्ट: उन्होंने AI को एक "कार्टून चूहा जिसके गोल काले कान और लाल शॉर्ट्स हों" बनाने के लिए कहा, लेकिन स्पष्ट रूप से कहा, "मिकी माउस न बनाएं।" मानक AI अक्सर फिर भी मिकी माउस बना देता था। 'साइंड रेक्टिफाइड फ्लो' AI ने एक ऐसा चूहा बनाया जिसमें सभी अनुरोधित विशेषताएं (कान, शॉर्ट्स, जूते) थीं, लेकिन वह कॉपीराइट पहचान से बचने के लिए पर्याप्त रूप से अलग था।
नूडिटी टेस्ट: "रिंग-ए-बेल" नामक एक बेंचमार्क पर, जो AI को नग्नता (nudity) दिखाने के लिए उकसाने की कोशिश करता है, इस नए तरीके ने विफलता दर को 15.19% से घटाकर 6.33% कर दिया। इसका अर्थ है कि यह छवियों को धुंधला या टूटा हुआ बनाए बिना "यह न करें" के नियम का पालन करने में बहुत बेहतर था।

यह क्यों मायने रखता है

इस दृष्टिकोण की सुंदरता यह है कि यह केवल एक "हैक" या एक साधारण फ़िल्टर नहीं है। यह एक मौलिक परिवर्तन है कि AI अपने रचनात्मक स्थान में कैसे चलता है। "नेगेटिव मास" की अवधारणा का उपयोग करके, लेखकों ने एक ऐसा सिस्टम बनाया है जहाँ AI स्वाभाविक रूप से बुरी चीजों से बचता है क्योंकि उसके सफर का गणित उसे दूर धकेलता है।

उन्होंने दिखाया कि यह काम करता है चाहे आप एक रोबोट को भूलभुलैया के माध्यम से निर्देशित कर रहे हों, कुत्तों की नई छवियां बना रहे हों, या यह सुनिश्चित करने की कोशिश कर रहे हों कि AI अपने प्रशिक्षण डेटा की नकल न करे। यह विधि लचीली है: आप "प्रतिकर्षण" (repulsion) को ऊपर या नीचे कर सकते हैं (एक पैरामीटर $\alpha$ का उपयोग करके) यह तय करने के लिए कि AI को कितनी सख्ती से बुरी चीजों से बचना चाहिए।

शोध पत्र सुझाव देता है कि यह नकारात्मक निर्देशों को संभालने का एक सिद्धांतगत, गणितीय रूप से सुदृढ़ तरीका है। यह केवल "ना" कहने के बारे में नहीं है; यह एक ऐसी दुनिया बनाने के बारे में है जहाँ "ना" एक भौतिक बाधा है जिसे AI पार नहीं कर सकता। हालाँकि लेखक नोट करते हैं कि उनके तरीके को इन प्रतिकर्षण बलों की गणना करने के लिए थोड़े अधिक कंप्यूटिंग पावर (लग लगभग 10% अधिक समय और मेमोरी) की आवश्यकता होती है, लेकिन अतिरिक्त सुरक्षा और नियंत्रण के लिए यह ट्रेड-ऑफ सार्थक लगता है।

संक्षेप में, 'साइंड रेक्टिफाइड फ्लो' AI को एक प्रकार की नई समझ देता है: न केवल यह जानने की क्षमता कि क्या करना है, बल्कि वास्तव में यह समझने की क्षमता कि क्या नहीं करना है, और यह सब उसकी रचनात्मक चमक को जीवित रखते हुए।

तकनीकी सारांश: साइन्ड रेक्टिफाइड फ्लो (Signed Rectified Flow - Signed RF)

समस्या विवरण (Problem Statement)

कई जनरेटिव मॉडलिंग कार्यों में न केवल एक वांछनीय वितरण ( $\pi_+$ ) को बढ़ावा देने की आवश्यकता होती है, बल्कि एक अवांछनीय वितरण ( $\pi_-$ ) को स्पष्ट रूप से दबाने की भी आवश्यकता होती है। यह कंडीशनल जनरेशन (लक्ष्यों से मेल खाते हुए विसंगतियों से बचना), सुरक्षा संरेखण (मूल्य-संरेखित आउटपुट उत्पन्न करना जबकि हानिकारक आउटपुट को बाहर रखना), और प्रेफरेंस लर्निंग (preference learning) में उत्पन्न होता है।

वर्तमान दृष्टिकोण, विशेष रूप से फ्लो और डिफ्यूजन मॉडल, सैंपलिंग के समय ह्यूरिस्टिक गाइडेंस (heuristic guidance) पर निर्भर करते हैं (जैसे, क्लासिफायर-फ्री गाइडेंस)। ये विधियाँ निश्चित या मैन्युअल रूप से ट्यून किए गए स्केल्स का उपयोग करके पॉजिटिव और नेगेटिव फील्ड्स के बीच एक्सट्रपलेशन (extrapolate) करती हैं। हालाँकि, प्रेरित सैंपलिंग वितरणों (induced sampling distributions) को ठीक से समझा नहीं गया है, जिससे यह स्पष्ट नहीं हो पाता कि डेटा स्पेस के किन क्षेत्रों को प्रभावी ढंग से बढ़ावा दिया जा रहा है या दबाया जा रहा है। इसके अलावा, मानक गाइडेंस "मिसिंग नेगेटिव डेटा" (missing negative data) की समस्या से जूझता है, जहाँ प्रशिक्षण में नकारात्मक उदाहरणों की अनुपस्थिति स्वाभाविक रूप से मॉडल को उन्हें उत्पन्न करने से नहीं रोक पाती है।

कार्यप्रणाली: साइन्ड रेक्टिफाइड फ्लो (Methodology: Signed Rectified Flow)

लेखक साइन्ड रेक्टिफाइड फ्लो (Signed RF) का प्रस्ताव करते हैं, जो साइन किए गए मापों (signed measures) को संभालने के लिए रेक्टिफाइड फ्लो (RF) का सामान्यीकरण करता है।

1. साइन्ड टारगेट (The Signed Target)

एक मानक संभाव्यता वितरण के बजाय, Signed RF एक साइन्ड टारगेट मेजर (signed target measure) को परिभाषित करता है:
$\pi_{\text{sign}} = (1 + \alpha)\pi_+ - \alpha\pi_-$
जहाँ $\alpha > 0$ है। यहाँ, $\pi_+$ उस वितरण को दर्शाता है जिसे बढ़ावा देना है, और $\pi_-$ उस वितरण को दर्शाता है जिसे दबाना है। हालाँकि $\pi_{\text{sign}}$ एक वैध संभाव्यता वितरण नहीं है (यह ऋणात्मक मान ले सकता है और मानक अर्थ में 1 के बराबर नहीं होता है), यह स्पष्ट निष्कासन बाधाओं (exclusion constraints) को एनकोड करने के लिए एक मध्यवर्ती वस्तु के रूप में कार्य करता है।

2. डायनेमिक्स और वेलोसिटी फील्ड (Dynamics and Velocity Field)

Signed RF इस साइन्ड टारगेट के लिए RF वेलोसिटी फॉर्मूला का विस्तार करता है। स्रोत वितरण $\pi_0$ से लीनियर इंटरपोलेशन द्वारा प्रेरित मार्जिनल डिस्ट्रीब्यूशन $\pi^+_t$ और $\pi^-_t$ तथा उनके संबंधित वेलोसिटी फील्ड्स $v^+_t$ और $v^-_t$ को देखते हुए, Signed RF वेलोसिटी फील्ड को इस प्रकार प्राप्त किया जाता है:
$v^{\text{signRF}}_t(x) = \frac{(1 + \alpha)\pi^+_t(x)v^+_t(x) - \alpha\pi^-_t(x)v^-_t(x)}{(1 + \alpha)\pi^+_t(x) - \alpha\pi^-_t(x)}$
इसे एक गाइडेंस-जैसे रूप में फिर से लिखा जा सकता है:
$v^{\text{signRF}}_t(x) = v^+_t(x) + \lambda^\alpha_t(x) \Delta v_t(x)$
जहाँ $\Delta v_t(x) = v^+_t(x) - v^-_t(x)$ है और गाइडेंस स्ट्रेंथ $\lambda^\alpha_t(x)$ डेंसिटी रेशियो $r_t(x) = \pi^-_t(x)/\pi^+_t(x)$ द्वारा निर्धारित होती है:
$\lambda^\alpha_t(x) = \frac{\alpha r_t(x)}{(1 + \alpha) - \alpha r_t(x)}$

3. सैद्धांतिक गारंटी: रीचेबल और घोस्ट क्षेत्र (Theoretical Guarantees: Reachable and Ghost Regions)

पेपर इस डायनेमिक्स के तहत सोर्स-इनिशियलाइज्ड ट्राजेक्टरीज ( $Z_0 \sim \pi_0$ ) के व्यवहार का विश्लेषण करता है:

पॉजिटिव रीजन प्रिजर्वेशन (Positive Region Preservation): ट्राजेक्टरीज सख्ती से पॉजिटिव रीजन $\Omega^+_t = \{x : \pi_{\text{sign}}_t(x) > 0\}$ के भीतर रहती हैं और कभी भी नेगेटिव रीजन $\Omega^-_t$ में प्रवेश नहीं करती हैं।
जीरो सेट एक बैरियर के रूप में (Zero Set as a Barrier): वह सेट जहाँ $\pi_{\text{sign}}_t(x) = 0$ है, एक रिपल्सिव बैरियर (repulsive barrier) के रूप में कार्य करता है। वेलोसिटी फील्ड इस सीमा पर सिंगुलर (singular) हो जाता है, जो प्रवेश को रोकता है।
रीचेबल बनाम घोस्ट क्षेत्र (Reachable vs. Ghost Regions): सैंपलिंग लॉ $\pi^{\text{signRF}}_t$ एक रीचेबल रीजन $\Omega^r_t \subseteq \Omega^+_t$ पर साइन्ड मार्जिनल $\pi_{\text{sign}}_t$ के साथ सटीक रूप से मेल खाता है। पॉजिटिव रीजन के शेष भाग को घोस्ट रीजन ( $\Omega^g_t$ ) कहा जाता है। घोस्ट रीजन में पॉजिटिव मास, सैंपलिंग लॉ से बाहर निकाले गए नेगेटिव मास को ठीक से संतुलित करता है।
व्याख्या (Interpretation): लेखक एक "चार्ज्ड-पार्टिकल" (charged-particle) व्याख्या प्रदान करते हैं जहाँ पॉजिटिव और नेगेटिव कण जीरो बाउंड्री पर एक-दूसरे को नष्ट (annihilate) कर देते हैं, जिससे सैंपल्ड ट्राजेक्टरीज और नेगेटिव क्षेत्रों के बीच एक संरचनात्मक अलगाव पैदा होता है।

4. व्यावहारिक कार्यान्वयन (Practical Implementation)

Signed RF को लागू करने के लिए, डेंसिटी रेशियो $r_t(x)$ का अनुमान लगाना आवश्यक है। पेपर दो तरीके प्रस्तावित करता है:

क्लासिफायर-आधारित (Classifier-based): पॉजिटिव और नेगेटिव ब्रांचेस से नॉइजी स्टेट्स पर एक बाइनरी क्लासिफायर को ऑड्स रेशियो (odds ratio) का अनुमान लगाने के लिए प्रशिक्षित करना।
ऑनलाइन रेशियो ट्रैकिंग (Online Ratio Tracking): कंटीन्यूटी इक्वेशन और स्कोर फंक्शन्स से प्राप्त ODE को ट्राजेक्टरी के साथ इंटीग्रेट करके लॉग-डेंसिटी रेशियो $u_t = \log r_t(z_t)$ को ट्रैक करना। यह एक सहायक क्लासिफायर को प्रशिक्षित करने से बचाता है।

मुख्य योगदान और परिणाम (Key Contributions and Results)

1. सैद्धांतिक ढांचा (Theoretical Framework)

पेपर स्थापित करता है कि Signed RF एक साइन्ड मार्जिनल को एक वैध संभाव्यता नियम (probability law) के रूप में रेक्टिफाई करता है, जो रीचेबल रीजन पर साइन्ड डेंसिटी को सुरक्षित रखता है और अन्य स्थानों पर शून्य डेंसिटी असाइन करता है। यह नकारात्मक जानकारी को शामिल करने के लिए एक ठोस आधार प्रदान करता है, यह सिद्ध करते हुए कि प्रेरित फ्लो स्वाभाविक रूप से नकारात्मक क्षेत्रों से बचता है और इसके लिए एड-हॉक बाधाओं की आवश्यकता नहीं होती है।

2. अनुभवजन्य अनुप्रयोग (Empirical Applications)

लेखक कई डोमेन में Signed RF का प्रदर्शन करते हैं:

2D टॉय एग्जांपल्स और पॉइंटमेज़ (PointMaze): Signed RF सफलतापूर्वक पॉजिटिव और नेगेटिव मोड्स को अलग करता है और बाधाओं (obstacles) के माध्यम से नेविगेट करता है (मिसिंग नेगेटिव डेटा समस्या), जहाँ निरंतर गाइडेंस (constant guidance) विफल हो जाता है (या तो रिपेल करने में विफल रहता है या अत्यधिक रिपेल करता है)।
ImageNet क्लास-कंडीशनल जनरेशन: एक प्री-ट्रेन्ड रेक्टिफाइड फ्लो मॉडल का उपयोग करते हुए, Signed RF फिडेलिटी-डाइवर्सिटी ट्रेड-ऑफ (fidelity–diversity trade-off) में सुधार करता है। 16 NFE (Number of Function Evaluations) पर, यह समान प्रेसिजन पर उच्च रिकॉल बनाए रखते हुए FID को 2.38 (CFG) से घटाकर 1.82 कर देता है।
एंटी-मेमोराइजेशन (Anti-Memorization): ट्रेनिंग सेट को एक नेगेटिव डिस्ट्रीब्यूशन के रूप में मॉडल करके, Signed RF (जिसे "डेटा रिपल्सिव फ्लो" कहा जाता है) ट्रेनिंग-डेटा रेप्लिकेशन को कम करता है। हाई-रिस्क सीड्स पर, यह डेटासेट-विशिष्ट आर्टिफैक्ट्स (वॉटरमार्क्स, बॉर्डर्स) को दबाता है और जनरेशन क्वालिटी को बनाए रखते हुए ट्रेनिंग सेट के साथ निकटतम-पड़ोसी दूरियों (nearest-neighbor distances) को बढ़ाता है (SPELL-50 के लिए FID 2.03 बनाम 7.41)।
कॉन्सेप्ट सप्रेशन और सेफ्टी (Concept Suppression & Safety): Stable Diffusion 3.5 पर लागू होने पर, Signed RF न्यूडिटी जनरेशन के लिए अटैक सक्सेस रेट (ASR) को 15.19% से घटाकर 6.33% कर देता है और टॉक्सिसिटी रेट को भी कम करता है, जबकि CLIP और एस्थेटिक स्कोर को बरकरार रखता है। यह विशिष्ट कॉन्सेप्ट्स (जैसे कॉपीराइटेड कैरेक्टर आइडेंटिटीज जैसे मिकी माउस या स्पाइडर-मैन) को भी प्रभावी ढंग से दबाता है जबकि वांछित विजुअल एट्रिब्यूट्स को बनाए रखता है।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि Signed Rectified Flow, जनरेटिव फ्लो में स्पष्ट नेगेटिव डिस्ट्रीब्यूशन को शामिल करने के लिए एक सिद्धांतिक और व्यावहारिक ढांचा प्रदान करता है। निश्चित स्केल्स पर निर्भर रहने वाले ह्यूरिस्टिक गाइडेंस तरीकों के विपरीत, Signed RF स्थानीय डेंसिटी रेशियो से स्टेट-डिपेंडेंट गाइडेंस स्ट्रेंथ निकालता है।

मुख्य दावे शामिल हैं:

सैद्धांतिक कठोरता (Theoretical Rigor): यह बहिष्करण (exclusion) के लिए एक गणितीय रूप से सुदृढ़ तंत्र प्रदान करता है, यह सिद्ध करते हुए कि सोर्स-इनिशियलाइज्ड फ्लो स्वाभाविक रूप से साइन्ड जीरो सेट पर एक रिपल्सिव बैरियर के माध्यम से नेगेटिव क्षेत्रों से बचते हैं।
मिसिंग नेगेटिव डेटा का समाधान: यह उन ट्रेनिंग डेटा की सीमाओं को संबोधित करता है जिनमें स्पष्ट नकारात्मक उदाहरणों की कमी होती है, जिससे उपयोगकर्ता को एक नेगेटिव डिस्ट्रीब्यूशन (जैसे कि स्वयं ट्रेनिंग सेट या कोई विशिष्ट कॉन्सेप्ट) को दबाने की अनुमति मिलती है।
ट्रेड-ऑफ ऑप्टिमाइजेशन: अनुभवजन्य रूप से, यह बिना किसी महत्वपूर्ण कंप्यूटेशनल ओवरहेड (लगभग 10% रनटाइम और मेमोरी में वृद्धि) के मौजूदा बेसलाइन्स (CFG, SPELL, SAFREE) की तुलना में बेहतर फिडेलिटी-डाइवर्सिटी ट्रेड-ऑफ और अधिक प्रभावी कॉन्सेप्ट सप्रेशन प्राप्त करता है।

यह कार्य Signed RF को एक सामान्य विस्तार के रूप में स्थापित करता है जो प्रमोशन और सप्रेशन दोनों को एक ही डायनेमिकल सिस्टम के भीतर एकीकृत करता है, जो ह्यूरिस्टिक एक्सट्रपलेशन से आगे बढ़कर एक सैद्धांतिक रूप से न्यायसंगत सैंपलिंग लॉ की ओर बढ़ता है।