本次查询：Flow Matching
中文解释：流匹配
常见场景：图像生成 / 音频合成 / 视频生成以及分子构象生成等连续数据生成任务
一句话解释
Flow Matching 是一种训练生成模型的方法，通过预设一个从噪声到数据的流畅轨迹（流场），让神经网络学会预测每一步的速度方向，从而一步到位地生成高质量样本。
它不需要像扩散模型那样反复添加和去除噪声，而是直接学习一条连续的确定性路径，极大简化了生成过程。
为什么会被关注
Flow Matching 解决了扩散模型的两大痛点：训练成本高和采样速度慢。扩散模型需要模拟数千步随机过程，而 Flow Matching 只需数十步甚至单步即可生成，且训练更稳定。
此外，它在图像生成（如高分辨率合成）和音频生成等任务上展现出了与扩散模型相当甚至更优的质量，因此迅速成为学术界和工业界追逐的新方向。
核心逻辑
核心思想是将数据分布到标准噪声分布的转换视为一个连续的流场，该流场由常微分方程（ODE）描述。训练时，模型学习预测流场上每一点的瞬时速度向量（即速度场）。
具体做法是定义一条从数据点到噪声点的直线路径（或其他预设路径），然后让神经网络匹配该路径上各点的速度，从而隐式地学会整个变换过程。
常见场景
图像生成：用于生成高分辨率、真实感强的图片，例如人脸、风景和艺术风格迁移。Flow Matching 能在更少步数内产出与扩散模型相媲美的结果。
音频合成：在语音合成（TTS）和音乐生成中，Flow Matching 可以高效生成连续波形，减少延迟并提升音质。
分子构象生成：在药物研发中用于生成分子的三维构象，利用流匹配的连续特性处理复杂的化学空间。
容易混淆的点
最容易与扩散模型混淆。扩散模型通过逐步加噪和去噪的随机过程生成数据，而 Flow Matching 使用确定性轨迹，不需要模拟随机微分方程，采样速度更快。
也与归一化流混淆。归一化流要求变换必须是可逆且雅可比行列式易计算，而 Flow Matching 不要求变换可逆，只学习速度场，实现更灵活。