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

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

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

通过引入几何流匹配，本文在特征稳定的概率动力学和同态建模之间提出了一个混合概率路径，用于 3D 分子的生成，并在多个分子生成基准测试中实现了更好的性能和平均 4.75 倍的采样速度提升。

Dec, 2023

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

本文提出一种基于连续时间正规化流的生成模型，该流的速度场由时间依赖密度的概率流推断而来，可用于样本生成和密度估计，并可最小化插值密度的路径长度来建立最优传输映射。该方法通过对基于随机微分方程的方法的简化，使生成的流可以以低成本超越传统方法，并可在图像生成等任务上达到较理想的性能。

Sep, 2022

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

通过使用切换的普通微分方程 (ODEs) 来消除奇点问题，我们提出了一个更通用的框架，Switched FM (SFM)，以解决连续时间生成模型中的采样速度缓慢的问题，并演示了该框架的有效性。

May, 2024

我们提出了一种新颖的知识转移框架，引入连续归一化流进行渐进知识转化，并利用多步采样策略实现精准知识传递。通过引入随机插值，我们理论上证明了 FM-KT 的训练目标相当于最小化教师特征映射或逻辑负对数似然的上界。此外，FM-KT 可以看作是一种独特的隐式集成方法，从而实现性能提升。通过对 CIFAR-100、ImageNet-1k 和 MS-COCO 数据集进行大量实验证明了我们提出的方法在相关比较方法中的可扩展性和最先进性能。

Feb, 2024