AegisFlow: Training-Free Non-Myopic Path-Safe Guided Flow Matching

📄 arXiv: 2610.39825v1 📥 PDF

作者: Kunpeng Liu, Boshi Zhang, Keyou You

分类: cs.AI

发布日期: 2026-10-29

备注: 18 pages, 6 figures

🔗 代码/项目: GITHUB

💡 一句话要点

提出AegisFlow以解决生成模型路径安全性问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 生成模型 路径安全 最优控制 图像处理 机器人规划 无训练引导 障碍函数

📋 核心要点

  1. 现有方法在生成模型的路径安全性方面存在不足，尤其是无法有效处理全局约束，导致生成轨迹不够安全。
  2. AegisFlow通过将引导生成视为安全关键的最优控制问题，整合时间变化的障碍函数，从而实现全局约束的满足。
  3. 实验结果显示，AegisFlow在文本引导的图像处理和机器人规划任务中显著优于现有方法，优化了目标对齐与约束满足的平衡。

📝 摘要（中文）

预训练生成模型（如扩散模型和流匹配模型）在合成高质量数据方面表现出色，但在满足严格约束（如图像编辑中的身份保留或机器人中的障碍物避免）时仍面临挑战。现有的无训练引导方法依赖于仅考虑即时约束满足的最小范数控制器，导致生成轨迹接近边界，限制了模型的优化能力。本文提出AegisFlow，一个无训练的非短视路径安全引导框架，将引导生成重新构建为具有全局视角的安全关键最优控制问题。通过将时间变化的障碍函数直接整合到全局成本函数中，AegisFlow自然而然地在整个生成路径上强制执行约束。实验表明，AegisFlow在文本引导的图像处理和机器人规划中优于现有方法，实现了目标对齐与约束满足之间的显著更好平衡。

🔬 方法详解

问题定义：本文旨在解决生成模型在满足严格约束时的路径安全性问题。现有的无训练引导方法往往依赖于短视控制策略，无法有效处理全局约束，导致生成轨迹接近边界，存在安全隐患。

核心思路：AegisFlow的核心思路是将引导生成问题重新构建为一个安全关键的最优控制问题，通过引入时间变化的障碍函数，确保在整个生成路径上都能满足约束条件。

技术框架：AegisFlow的整体架构包括全局成本函数的构建、障碍函数的整合以及对Hamilton-Jacobi-Bellman（HJB）方程的近似求解。主要模块包括约束处理模块和最优控制计算模块。

关键创新：AegisFlow的主要创新在于将路径安全性与全局最优控制相结合，突破了传统方法的局限，能够在生成过程中动态调整以满足全局约束。

关键设计：在设计中，AegisFlow采用了时间变化的障碍函数，并通过数学推导得出HJB方程的可处理近似，确保了计算的有效性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，AegisFlow在文本引导的图像处理任务中，相较于现有最先进的方法，目标对齐与约束满足的平衡显著提升，具体性能提升幅度达到XX%（具体数据待补充）。

🎯 应用场景

AegisFlow在多个领域具有广泛的应用潜力，包括图像编辑、机器人导航和自动驾驶等场景。其能够在保证生成质量的同时，确保路径安全性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Pretrained generative models, such as diffusion and flow matching models, have demonstrated exceptional capabilities in synthesizing high-quality data. However, steering their generative trajectories to satisfy strict constraints--such as identity preservation in image editing or obstacle avoidance in robotics--remains fundamentally challenging. While recent training-free guidance methods enforce path-safety, they rely heavily on min-norm controllers that only account for immediate constraint satisfaction. These myopic approaches often yield suboptimal trajectories that hover dangerously close to the boundary, severely restricting the model's ability to optimize toward its target. In this paper, we propose AegisFlow, a training-free, non-myopic path-safe guidance framework that recasts guided generation as a safety-critical optimal control problem with global scope. By integrating a time-varying barrier function directly into the global cost functional, AegisFlow naturally enforces constraints along the entire generative path. To compute the global optimal control, we derive a tractable, mathematically grounded approximation of the Hamilton-Jacobi-Bellman (HJB) equation. Comprehensive experiments demonstrate that AegisFlow outperforms state-of-the-art methods across text-guided image manipulation and robotic planning, establishing a significantly better trade-off between target alignment and constraint satisfaction. Code is available at https://github.com/LiuKunpeng03/AegisFlow.