FlowInOne

把多模态生成统一成图像进图像出，一个模型搞定文本、音频到图像

FlowInOne 是一个基于流匹配（Flow Matching）的统一多模态生成框架，由 ECCV 2026 论文官方开源。它创新性地将文本、图像、音频等多种模态的生成任务统一为“图像进、图像出”的视觉中心范式，即所有输入模态先编码为图像表示，再通过流匹配模型生成目标图像。该框架解决了传统多模态生成中需要为每种模态单独设计模型、训练成本高且难以跨模态协同的问题。核心能力包括：支持文本到图像、图像编辑、音频到图像等多任务统一建模，基于视觉中心表示实现模态对齐，以及利用流匹配的稳定训练特性提升生成质量。项目代码基于 Python 实现，提供完整的训练与推理流程，适合研究多模态统一生成和流匹配技术的开发者使用。目前项目处于早期阶段，星标数较少，但技术路线新颖，具有较高的研究价值。