通过在整个分布层面上由扩散模型指导的耦合策略，基于直观轨迹生成（Flow Matching）的新方法 Straighter trajectories of Flow Matching (StraighFM) 实现了在在像素空间和潜在空间下的高质量样本生成。

Nov, 2023

基于连续归一化流的生成建模范例中，发现使用流匹配方法与扩散路径一起训练更具有鲁棒性和稳定性，并且可以开启使用优化运输插值定义的非扩散概率路径，该方法比传统扩散模型更适用于训练 ImageNet，并能快速生成可靠采样结果。

Oct, 2022

基于动态测量输运的生成模型通过学习常微分方程或随机微分方程，将初始条件从已知基础分布推导到目标分布。我们介绍了流图匹配算法，通过学习潜在常微分方程的双时间流图，得到了一个高效的几步生成模型，其步数可以根据精度和计算成本进行灵活的调节。与扩散模型或随机插值方法相比，流图匹配方法能够以显著降低的采样成本生成高质量样本。

Jun, 2024

发展流匹配方法用于生成模型，追求流的直线轨迹，实现最优输运位移；文章提出一种新颖的最优流匹配方法，在一步流匹配中恢复二次成本下的直线输运位移。

Mar, 2024

通过建模生成概率路径的向量场，连续归一化流（CNFs）利用神经网络学习参考密度与目标密度之间的概率路径。本文重新利用流匹配（FM）方法，结合马尔可夫采样方法评估 FM 目标和使用学习的概率路径改进蒙特卡洛采样，将该方法用于概率推断。我们提出了一种顺序方法，利用马尔可夫链的样本修正定义 FM 目标的概率路径。我们增加了自适应调节机制以发现目标中的多个模式。在温和的假设下，我们证明了 FM 目标的局部最优收敛性，讨论了收敛速率的改进，并在合成和真实世界示例中说明了我们的方法。

May, 2024

SeqRF 是一种学习技术，通过改善概率流的直线性来减少全局截断误差，加速采样并提高合成质量。在理论和实证研究中，我们观察到了 SeqRF 的直线性属性，并通过 SeqRF 在基于流模型的生成模型上进行的实证评估，在 CIFAR-10、CelebA-$64 imes 64$ 和 LSUN-Church 数据集上取得了优异的结果。

Feb, 2024

本文提出了一种在预训练自编码器的潜在空间中应用流匹配的方法，以实现高分辨率图像合成的计算效率和可扩展性的提高，并将各种条件集成到流匹配中进行条件式生成任务，包括标签条件下的图像生成、图像修复和语义到图像的生成。通过大量实验，本方法在各种数据集上均具有定量和定性的有效性，并提供了重构潜在流分布与真实数据分布之间 Wasserstein-2 距离的理论控制。

Jul, 2023

使用非分类器引导的流匹配模型在条件图像生成和语音合成方面显著改善了样本质量，而且在计算量极低的情况下不会影响智能体的总体性能。

Nov, 2023

给出了一种最小化标准流失函数的向量场精确公式，该公式在给定的分布 ρ₀和未知分布 ρ₁的基础上进行了分析，并提出了一种新的损失函数和算法。与标准条件流匹配方法相比，通过蒙特卡罗采样方法评估时，我们的损失函数表现出较小的方差。通过对合成模型和大维度表格数据模型的数值实验证明了使用该算法能够获得更好的学习结果。

Feb, 2024

生成模型在处理轨迹推断等任务时，传统的基于欧几里得几何的条件路径设计往往过于局限，未能很好地捕捉到底层动力学，而 Metric Flow Matching（MFM）作为一种基于非模拟的条件流匹配框架，通过最小化数据诱导的黎曼度量的动能来学习近似测地线插值，实现了在数据流形上匹配矢量场，从而降低了不确定性并获得了更有意义的插值结果。该研究不局限于特定任务，并通过 LiDAR 导航、非配对图像翻译和建模细胞动力学等一系列具有挑战性的问题验证了 MFM 方法的优越性，特别在单细胞轨迹预测方面达到了 SOTA 水平。

May, 2024