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

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

使用概率流常微分方程进行基于得分的生成建模已经在各种应用领域取得了显著的成功。本文首次提供了关于概率流常微分方程采样器的非渐近收敛性分析，假定得分估计准确，并在 2-Wasserstein 距离下建立了一系列 ODE 采样器的迭代复杂性结果。

Jan, 2024

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

本文提出了一种新的生成流家族，它可以改善表达能力而不会显著增加抽样和似然下界评估的计算成本，并且可以理论上证明所提出的流可以近似于哈密顿 ODE 作为一种通用的传输映射，在流模型建模的标准基准测试中表现出领先的性能。

Feb, 2020

本文提出了一种使用完全确定性采样的流匹配过程，该过程利用概率流 ODE 方法和去噪扩散隐式模型，为基于 ODE 的生成模型提供了误差界限。

May, 2023

基于分数的生成模型中，我们从理论和数值的角度研究了基于概率流 ODE 的确定性采样器的收敛性质，并证明了目标和生成数据分布之间的总变差可以在连续时间层面上通过 d√δ（其中 d 表示数据维度，δ 表示 L2 - 评分匹配误差）被上界限制，并针对使用 p 阶 Runge-Kutta 积分器进行具体实现的情况，建立了离散层面上的误差界限为 O (d (√δ + (dh)^p))。最后，我们进行了高达 128 个维度的问题的数值研究，验证了我们的理论，结果表明更好的评分匹配误差和维度依赖性。

Apr, 2024

该论文讨论了流匹配在 $p$-Wasserstein 距离方面的收敛性质，通过研究一类更广泛的向量场的均值和方差函数，确定实现这些最优速率所必需的特定条件，并且证明了流匹配能够达到与扩散模型相当的收敛速率，从而为流匹配作为一种无需模拟的生成模型提供了第一条理论证据。

May, 2024

深度生成模型 OT-Flow 的收敛性研究及蒙特卡洛方法在训练中的应用

Mar, 2024

使用两层自编码器参数化的流式生成模型，通过对目标分布从有限数量 n 的样本进行训练，提供了问题的尖锐端到端分析，包括对学习速度场的紧密闭合形式表征以及对相应生成流的尖锐描述，最终证明该速度场的收敛速度是贝叶斯最优的。

Oct, 2023