「流匹配」成ICML 2025超热门主题！网友：都说了学物理的不准转计算机

AIGC动态1天前发布 almosthuman2014

66 0 0

文章摘要

生成式AI领域的最新研究热点集中在探索更高质量、更稳定、更简洁且更通用的模型形态，其中流匹配（Flow Matching）技术成为了焦点。流匹配技术源自流体力学，通过将噪声映射到数据分布，逐步生成复杂的数据样本。其核心思想是学习将噪声转化为数据，通过插值路径将噪声点逐步转化为数据点。流匹配基于归一化流（Normalizing Flows, NF），通过一系列可逆的变量变换，将复杂的概率分布映射为简单分布，并能够从简单分布中生成逼真的数据样本。

流匹配技术的原理与流体力学中的连续性方程密切相关。连续性方程描述了质量守恒的原理，这一原理不仅适用于物理质量，也适用于概率质量。流匹配通过指定密度的变化过程，即从噪声分布逐步过渡到数据分布的插值轨迹，学习使这一演化成立的速度场。速度场使得从噪声中生成新的数据样本成为可能。流匹配的训练过程涉及学习平均插值速度场，通过推断空间中每一点可能朝向的终点分布，确定该点的速度场方向。

流匹配与扩散模型在生成模型领域具有密切关系。MIT副教授何恺明认为，扩散模型是流匹配的子集，当采用高斯分布作为插值策略时，扩散模型实际上是一种特殊的流匹配。这意味着这两个框架可以互换使用。流匹配提出了一种新的网络输出形式，将其视为速度场，这与传统扩散模型中的输出形式不同。此外，流匹配使用了一种简单的采样噪声调度策略，其更新规则与DDIM相同。

流匹配技术的引入为生成建模领域带来了新的模型设定，包括网络输出形式和采样噪声调度策略。这些设定可能在使用高阶采样器时带来性能差异，并影响训练过程中的动态行为。流匹配与扩散模型的结合为生成式AI提供了新的研究方向和工具，进一步推动了该领域的发展。