What kills $v$-prediction? A Patch-wise PCA Perspective on Pixel-Space Flow Matching

潜在扩散模型在生成建模中占据主导地位，但面临两阶段训练复杂性和预训练自动编码器固有的重建限制。像素空间流匹配提供了一种简化端到端的替代方案，但当使用标准$v$预测目标时，常遇到训练困难。近期研究将这一困难归因于噪声目标的离散化特性，从而推动了$x$预测的采用。