我们研究了基于 ODE 的生成模型（特别是流匹配），通过使用预训练的自编码网络将高维原始输入映射到低维潜在空间，再通过训练一个转换网络来预测从标准正态分布到目标潜在分布的变换速度场。我们的误差分析证明了这种方法的有效性，显示出通过估计 ODE 流生成的样本分布在温斯坦 - 2 距离下收敛到目标分布，在温和和实际的假设下。此外，我们还展示了具有李普希茨连续性的转换网络可以有效逼近任意平滑函数，这可能具有独立的兴趣。

Apr, 2024

通过流匹配和变压器（U-ViT）的结合，实现了简单高效的图像编辑方法，大大提高了生成模型的可扩展性和性能，并提供了对潜在结构和编辑能力的探索。通过引入一个名为 $u$-space 的编辑空间以及针对 ODE 求解器的适应性抽样解决方案，实现了可控、累积和可组合的图像编辑。此外，使用文本提示的简洁而强大的方法实现细粒度和细致的图像编辑。这个框架既简单高效，同时又能保留图像原始内容的本质。

Dec, 2023

通过将流匹配引入扩散模型和卷积解码器之间，结合扩散模型的多样性、流匹配的高效性和卷积解码器的有效性，我们实现了最先进的高分辨率图像合成。

Dec, 2023

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

利用流匹配作为替代现有的基于扩散的布局生成模型的方法，我们提出了一种名为 LayoutFlow 的高效基于流的模型，用于生成高质量的布局。通过逐渐移动或流动初始样本的元素直到达到最终预测，我们的方法学习替代了逐步去噪噪声布局的元素。此外，我们采用了一种条件方案，可以使用单个模型处理具有不同程度条件的各种生成任务。在经验上，LayoutFlow 与最先进的模型性能相当，同时速度显著提高。

Mar, 2024

本文基于流匹配理论开发了基于流匹配的条件生成理论，通过广义连续性方程数学框架，匹配矩阵场而非向量场，确保生成的条件分布的连续性，并通过实验和数学结果验证了我们的理论。

Feb, 2024

本文提出一种功能流匹配（FFM）方法，是一种在无限维空间中直接操作的功能空间生成模型，通过定义概率量的路径，学习函数空间中的向量场来产生这些概率量的路径，而不依赖于似然度或模拟，经过实验评估表明，该方法优于其他具有相似功能的生成模型。

May, 2023

Fisher-Flow 是一种用于离散数据生成建模的新型流匹配模型，采用几何学观点，将离散数据视为在统计流形上的点，通过转移沿 $d$- 超球面上的（闭合形式）测地线上的质量来定义流，可以优化训练动力学，提高性能，并在合成和实际基因序列设计等多个领域中优于传统扩散和匹配模型。

May, 2024

通过非简单合并数据和噪声样本的 Multisample Flow Matching 算法，我们可以在完全不需要模拟的情况下，通过一个简单的最小化目标函数构造概率路径，实现连续时间生成模型训练参数、生成高质量样本和高维传输映射等目标的综合优化。

Apr, 2023

本文研究了具有稳定数据点的深度生成模型和控制理论之间的联系，并使用随机稳定性工具对流匹配模型进行了特征化。

Feb, 2024