Hamiltonian Score Matching and Generative Flows
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；NVIDIA（英伟达）
本文提出哈密顿速度预测器，并据此构建HSM分数匹配方法与HGFs生成模型，将扩散和流匹配统一为零力场特例，实验证明其竞争力。
2024-10-27 cs.LG stat.ML
A Laplacian Pyramid Based Generative H&E Stain Augmentation Network
Purdue University（普渡大学）；SenseTime Research（商汤科技研究院）
针对 H&E 染色颜色差异影响模型泛化的问题，本文提出基于 GAN 与拉普拉斯金字塔生成器的 G-SAN，以解耦染色和形态并生成真实染色变化，显著提升分类与分割性能。
2023-07-14 cs.CV eess.IV
A Variational Perspective on Diffusion-Based Generative Models and Score Matching
University of Montreal（蒙特利尔大学）；Mila（米拉）
基于离散时间扩散的生成模型和分数匹配方法在高维图像数据建模方面显示出了良好的效果。最近，Song等人（2021）表明，将数据转换为噪声的扩散过程可以通过学习得分函数（即扰动数据的对数密度的梯度）来逆转。他们建议将学习的得分函数插入到逆公式中，以定义生成扩散过程。尽管在经验上取得了成功，但这一程序仍然缺乏理论基础。在这项工作中，我们直接接近（连续时间）生成扩散，并推导出一个变分框架的似然估计，其中包括连续时间规范化流作为一个特殊情况下，可以看作是一个无限深的变分自编码器。在这个框架下，我们证明了最小化分数匹配损失相当于最大化Song等人（2021）提出的插入式反向搜索的可能性下限，弥合了理论差距。
2021-09-30 cs.LG
Iterative Flow Matching: Path Correction and Gradual Refinement for Enhanced Generative Modeling
The University of British Columbia（不列颠哥伦比亚大学）；University of Cambridge（剑桥大学）
本研究针对图像生成模型易产生幻觉的问题，提出可集成于各类生成建模技术的迭代流匹配方法，通过路径校正与渐进式优化提升图像合成的性能与鲁棒性。
2026-08-20 cs.AI cs.CV cs.LG
Generator Matching: Generative modeling with arbitrary Markov processes
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；FAIR, Meta（元公司 FAIR）；Weizmann Institute of Science（魏茨曼科学研究所）
提出生成器匹配框架，利用任意马尔可夫过程的生成器进行生成式建模，统一扩散模型、流匹配等方法，并支持跳跃过程叠加，提升图像与多模态生成性能。
2025-02-27 cs.AI cs.LG
Low-Bit, High-Fidelity: Optimal Transport Quantization for Flow Matching
针对流匹配生成模型部署受高精度参数需求制约的问题，提出基于最优传输的训练后量化方法，可在2-3比特下保留生成质量，适用于边缘AI场景的模型压缩。
2025-11-14 cs.CV cs.LG
VibrantSR: Sub-Meter Canopy Height Models from Sentinel-2 Using Generative Flow Matching
Vibrant Planet Public Benefit Corporation（Vibrant Planet公共利益公司）
VibrantSR利用Sentinel-2影像生成亚米分辨率的冠层高度模型，实现更高效的大规模森林监测和碳核算。
2026-02-01 cs.CV cs.LG
Force Matching with Relativistic Constraints: A Physics-Inspired Approach to Stable and Efficient Generative Modeling
Wyoming Seminary（怀俄明神学院）；Middle Tennessee State University（中田纳西州立大学）；Stevens Institute of Technology（斯蒂文斯理工学院）；The University of Hong Kong（香港大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Tsinghua University（清华大学）；Simons Institute for the Theory of Computing, University of California, Berkeley（加州大学伯克利分校西蒙斯理论计算研究所）；Anhui University（安徽大学）
本文提出力匹配（ForM）生成建模框架，通过融入狭义相对论的洛伦兹因子施加速度约束，经理论分析与实证评估（half-moons数据集欧氏距离损失0.714优于基线），为稳定高效生成过程及物理原理在机器学习应用提供新路径。
2025-02-12 cs.AI cs.CV cs.LG
ODE-free Neural Flow Matching for One-Step Generative Modeling
Baylor University（贝勒大学）
本文提出无微分方程的神经流匹配方法，通过直接学习传输映射实现一步生成，减少推断步骤，提升生成质量。
2026-04-07 cs.LG
Manifold Matching via Deep Metric Learning for Generative Modeling
Microsoft（微软）；University of Delaware（特拉华大学）
我们提出了一个流形匹配方法生成模型，其中包括一个分布生成器（或数据生成器）和一个度量生成器。在我们的框架中，我们将真实数据集视为嵌入高维欧氏空间中的流形。分布生成器的目的是生成遵循围绕真实数据流形凝聚的某种分布的样本。它是通过匹配两组点使用其几何形状描述符，如质心和$p$ -直径，与学习的距离度量;度量生成器利用真实数据和生成的样本来学习距离度量，该距离度量接近真实数据流形上的一些内在测地线距离。所产生的距离度量进一步用于流形匹配。这两个网络在训练过程中同时学习。我们将该方法应用于无监督和监督学习任务：在无条件图像生成任务中，与现有的生成模型相比，该方法获得了有竞争力的结果;在超分辨率任务中，我们将该框架结合到基于感知的模型中，并通过生成具有更自然纹理的样本来提高视觉质量。实验和分析证明了该框架的可行性和有效性。
2021-08-26 cs.CV
Generative Model without Prior Distribution Matching
Shanghai Jiao Tong University（上海交通大学）
变分自编码器（VAE）及其变体是通过学习低维潜在表示以满足某种先验分布（例如，高斯分布）。与GAN相比，它们的优势在于它们可以同时生成高维数据并学习潜在表示以重建输入。然而，已经观察到，重建和生成之间存在折衷，因为匹配的先验分布可能会破坏数据流形的几何结构。为了缓解这个问题，我们建议让先验匹配嵌入分布，而不是强加潜变量来拟合先验。嵌入分布使用简单的正则化自动编码器架构进行训练，该架构最大限度地保留了几何结构。然后采用对抗策略来实现潜在映射。该方法解决了数据流形的拓扑性质保持与隐空间分布匹配之间的矛盾，为该方法的有效性提供了理论和实验支持。
2020-09-23 cs.CV
Mirror Flow Matching with Heavy-Tailed Priors for Generative Modeling on Convex Domains
本文提出基于正则化镜像映射和Student-t先验的Mirror Flow Matching方法，解决了凸域生成建模中重尾分布导致的动力学不适定和先验耦合表现差的问题，并提供了理论保证和实验验证。
2025-10-10 cs.LG stat.ML
Generative Modeling of Discrete Joint Distributions by E-Geodesic Flow Matching on Assignment Manifolds
Heidelberg University（海德堡大学）
本文提出一种基于因子分解离散测度子流形上连续归一化流的离散分布生成模型，通过嵌入元单纯形与数据驱动平均逼近非因子分解分布，并利用测地线流匹配实现高效训练，避免了传统离散化问题。
2024-02-12 cs.LG stat.ML
MatchingGAN: Matching-based Few-shot Image Generation
为了生成给定类别的新图像，大多数深度生成模型需要来自该类别的大量训练图像，而这些图像通常过于昂贵。为了实现基于少量图像生成的目标，本文提出了基于匹配的生成对抗网络（GAN）用于Few-Shot生成。匹配生成器可以将随机向量与同一类别中的几幅条件图像进行匹配，并根据融合后的特征生成该类别的新图像。该方法通过将生成图像的特征与条件图像的融合特征进行匹配，扩展了传统的GAN方法。在三个数据集上的实验证明了该方法的有效性。
2020-03-15 cs.CV cs.LG eess.IV
Equilibrium Matching: Generative Modeling with Implicit Energy-Based Models
MIT（麻省理工学院）；Harvard University（哈佛大学）
本文提出 Equilibrium Matching (EqM) 生成式建模框架，通过学习隐式能量景观的平衡梯度替代传统非平衡动力学，支持推理时基于优化的采样，在 ImageNet 上取得更优性能并扩展至去噪与 OOD 检测等任务。
2025-10-13 cs.AI cs.CV cs.LG
Efficient Generative Modeling beyond Memoryless Diffusion via Adjoint Schrödinger Bridge Matching
Seoul National University（首尔国立大学）；Georgia Institute of Technology（佐治亚理工学院）；Sungkyunkwan University（松山大学）
ASBM通过优化轨迹生成提升高维数据生成的稳定性和效率，减少采样步骤提高图像生成保真度。
2026-10-06 cs.CV
Statistical Inference via Generative Models: Flow Matching and Causal Inference
Shinto Eguchi
本书通过流匹配方法，将生成模型重新诠释为非参数学习高维概率分布的统计工具，用于解决生存分析、删失、缺失和因果推断等结构性高维问题。
2026-03-09 cs.LG stat.ML
Generative Moment Matching Networks
University of Toronto（多伦多大学）；Canadian Institute for Advanced Research（加拿大高等研究院）
我们考虑从数据中学习深度生成模型的问题。我们制定了一种方法，该方法通过多层感知器的单次前馈来生成独立样本，如最近提出的生成对抗网络（Goodfellow et al.，2014年）。然而，训练一个生成对抗网络需要仔细优化一个困难的极小极大程序。相反，我们利用了一种被称为最大平均差异（MMD）的统计假设检验技术，这导致了一个简单的目标，可以被解释为匹配数据集和模型样本之间的所有统计阶数，并且可以通过反向传播进行训练。我们通过将我们的生成网络与自动编码器网络相结合，使用MMD来学习生成代码，然后可以解码生成样本，从而进一步提高了这种方法的性能。我们表明，这些技术的组合产生优秀的生成模型相比，MNIST和多伦多人脸数据库上测量的基线方法。
2015-02-10 cs.AI cs.LG stat.ML
Kernel Mean Matching for Content Addressability of GANs
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Georgia Institute of Technology（佐治亚理工学院）
我们提出了一种新的程序，它增加了“内容寻址”到任何给定的无条件隐式模型，例如，生成对抗网络（GAN）。该程序允许用户通过指定一组（任意大小）所需的示例来控制生成过程，基于这些示例，从模型中生成类似的样本。所提出的方法，基于核均值匹配，适用于任何生成模型，将潜在向量转换为样本，并且不需要重新训练的模型。对各种高维图像生成问题（CelebA-HQ、LSUN卧室、桥、塔）的实验表明，该方法能够生成与输入集一致的图像，同时保持原始模型的图像质量。据我们所知，这是第一个尝试在测试时从训练的边缘模型构建内容可寻址生成模型的工作。
2019-05-14 cs.CV cs.LG stat.ML
Example-based Motion Synthesis via Generative Motion Matching
Shandong University（山东大学）；Tencent AI Lab（腾讯人工智能实验室）；ETH Zurich（苏黎世联邦理工学院）；Peking University（北京大学）
本文提出无需训练的生成模型 GenMM，通过双向视觉相似性和多阶段生成式运动匹配，从少量示例快速合成高质量多样化运动，并支持补全、关键帧引导、无限循环与重组。
2023-06-01 cs.CV cs.GR
Generative AI Enabled Matching for 6G Multiple Access
Beijing University of Posts and Telecommunications（北京邮电大学）；University of Hong Kong（香港大学）；Nanyang Technological University（南洋理工大学）
针对6G多址接入中复杂网络拓扑带来的匹配生成挑战，本文提出基于生成扩散模型的GenAI匹配生成框架，通过迭代去噪最大化奖励生成有效匹配策略，实验证明优于决策式AI方法。
2024-10-29 cs.AI cs.LG cs.NI
Deep Leakage with Generative Flow Matching Denoiser
CVSSP, University of Surrey, Guildford, United Kingdom（CVSSP，塞维利亚大学，格里福德，英国）
本文提出了一种结合生成流匹配先验的深度泄漏攻击方法，通过提升重建保真度，有效对抗联邦学习中的隐私泄露问题。
2026-01-21 cs.CV
Perceptual Flow Matching for Few-Step Generative Modeling
Joy Future Academy（京东探索研究院）；Fudan University（复旦大学）；Tsinghua University（清华大学）；USTC（中国科学技术大学）
提出感知流匹配框架，在感知特征空间监督流匹配，改进少步生成能力，减少采样步骤，无需教师模型和辅助分数网络，实验表明其能产生高质量结果。
2026-07-07 cs.CV
Generative Modeling of Quantum Distribution with Functional Flow Matching
Graduate School of Data Science, Seoul National University, Seoul, Korea（首尔国立大学数据科学研究生院）；Department of Statistics and Data Science, Yonsei University, Seoul, Korea（延世大学统计与数据科学系）；Department of Applied Statistics, Yonsei University, Seoul, Korea（延世大学应用统计系）；Google Research, Mountain View, California, United States（谷歌研究）
提出量子流匹配（QFM）模型，利用自旋Wigner函数和函数流匹配学习多量子比特量子分布，有效捕获物理量如纯度、纠缠熵。
2026-07-02 cs.LG quant-ph
Isokinetic Flow Matching for Pathwise Straightening of Generative Flows
本文提出等速流匹配方法，通过直接惩罚路径加速度来减少生成流中的曲率，提升少步生成效率，在CIFAR-10数据集上显著降低FID分数。
2026-04-06 cs.LG
Vision-Language Matching for Text-to-Image Synthesis via Generative Adversarial Networks
Fudan University（复旦大学）
文本到图像合成的目标是从特定的文本描述生成具有照片般真实感和语义一致的图像。与相应的图像和文本描述相比，现成的模型合成的图像通常包含有限的组件，这降低了图像质量和文本-视觉一致性。为了解决这个问题，我们提出了一种新的视觉语言匹配策略的文本到图像的合成，命名为VLMGAN*，它引入了双重视觉语言匹配机制，以加强图像质量和语义一致性。双视觉-语言匹配机制考虑了生成图像与相应文本描述之间的文本-视觉匹配，以及合成图像与真实图像之间的视觉-视觉一致性约束。给定一个特定的文本描述，VLMGAN* 首先将其编码为文本特征，然后将其馈送到基于双重视觉语言匹配的生成模型中，以合成照片般逼真和文本语义一致的图像。此外，目前流行的文本到图像合成的评价指标是从简单的图像生成中借鉴来的，主要评价合成图像的真实性和多样性。因此，我们引入了一个名为视觉-语言匹配分数（VLMS）的度量来评估文本到图像的合成性能，它可以同时考虑图像质量和合成图像和描述之间的语义一致性。所提出的双重多层次视觉语言匹配策略可以应用于其他文本到图像的合成方法。我们在两个流行的基线上实现了这个策略，这两个基线分别标记为${\text{VLMGAN}_{+\text{AttnGAN}}}$和${\text{VLMGAN}_{+\text{DFGAN}}}$。在两个广泛使用的数据集上的实验结果表明，该模型与其他最先进的方法相比取得了显着的改…
2022-08-20 cs.CV
Adversarial score matching and improved sampling for image generation
University of Montreal（蒙特利尔大学）；Microsoft Research Lab（微软研究院实验室）
去噪得分匹配与退火Langevin采样（DSM-ALS）最近发现在生成建模的成功。该方法的工作原理是首先训练一个神经网络来估计分布的分数，然后使用Langevin动力学从分数网络假设的数据分布中采样。尽管样本的视觉质量令人信服，但在Fréchet Inception Distance（生成模型的标准度量）下，这种方法的表现似乎比生成对抗网络（GANs）更差。我们表明，这种明显的差距消失时，使用分数网络去噪的最终Langevin样本。此外，我们提出了对DSM-ALS的两项改进：1）一致退火采样作为退火Langevin采样的更稳定的替代方案，以及2）混合训练公式，由去噪得分匹配和对抗目标组成。通过结合这两种技术和探索不同的网络架构，我们提升了分数匹配方法，并获得了与CIFAR-10上最先进的图像生成相竞争的结果。
2020-10-10 cs.CV cs.LG stat.ML
Matching Thermal to Visible Face Images Using a Semantic-Guided Generative Adversarial Network
Michigan State University（密歇根州立大学）
设计能够将在热光谱中获得的人脸图像与在可见光谱中获得的人脸图像相匹配的人脸识别系统是一个具有挑战性的问题。在这项工作中，我们提出了使用语义引导的生成对抗网络（SG-GAN）自动合成可见的人脸图像从他们的热对应。具体而言，由人脸解析网络提取的语义标签用于计算语义损失函数以在训练期间正则化对抗网络。这些语义线索表示与每个像素相关联的高级面部组件信息。此外，利用身份提取网络来生成多尺度特征以计算身份损失函数。为了实现照片级真实感的结果，在网络训练期间引入感知损失函数，以确保合成的可见人脸在感知上与目标可见人脸图像相似。我们广泛地评估了各个损失函数的好处，并将它们有效地结合起来，学习从热到可见人脸图像的映射。在两个多光谱人脸数据集上的实验表明，该方法在人脸合成和跨光谱人脸匹配方面都取得了良好的效果。
2019-03-03 cs.CV
MedSymmFlow: Bridging Generative Modeling and Classification in Medical Imaging through Symmetrical Flow Matching
Eindhoven University of Technology（埃因霍温理工大学）
MedSymmFlow通过对称流匹配结合生成与判别模型，实现医学影像中的分类、生成和不确定性量化，提升分类准确性和不确定性估计的可靠性。
2025-07-25 cs.AI cs.CV
FLOAT: Generative Motion Latent Flow Matching for Audio-driven Talking Portrait
KAIST（韩国科学技术院）；DeepBrain AI Inc.（DeepBrain AI公司）
FLOAT利用学习到的正交运动潜空间和流匹配生成模型，结合Transformer向量场预测器与逐帧条件机制，实现高效、时间一致且支持情感增强的音频驱动说话人肖像视频生成，在视觉质量、运动保真度和效率上优于现有方法。
2025-09-19 cs.AI cs.CV cs.LG
Generative Pre-training for Speech with Flow Matching
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Meta AI
本研究提出名为SpeechFlow的通用语音生成式预训练模型，利用Flow Matching和掩码条件在6万小时无转录语音上训练，微调后在语音增强、分离和合成任务上匹配或超越现有专家模型。
2024-03-25 cs.CL cs.LG cs.SD
Image-derived generative modeling of pseudo-macromolecular structures - towards the statistical assessment of Electron CryoTomography template matching
Carnegie Mellon University（卡内基梅隆大学）；University of Florida（佛罗里达大学）
细胞电子冷冻断层扫描（CECT）是一种3D成像技术，它以接近天然状态和亚分子分辨率捕获有关单细胞内大分子复合物的结构和空间组织的信息。虽然模板匹配通常用于在CECT图像中定位大分子，但它是不够的，因为它仅测量相对结构相似性。因此，最好通过假设检验来评估决策的统计可信度，这需要来自不同大分子结构群体的许多模板。由于已知结构的数量非常有限，我们需要一个生成模型来有效和可靠地从复杂的大分子结构分布中采样伪结构。为了应对这一挑战，我们提出了一种新的图像衍生方法，通过使用生成对抗网络构建生成模型来执行模板匹配的假设检验。最后，我们进行了假设检验实验的模板匹配模拟和实验subtomographs，使我们能够得出结论的身份subtomographs具有较高的统计可信度，并显着减少误报。
2018-05-12 cs.CV q-bio.QM stat.AP
Wasserstein Flow Matching: Generative modeling over families of distributions
Weill Cornell（威尔康奈尔医学院）；Center for Data Science, New York University（纽约大学数据科学中心）；Howard Hughes Medical Institute（霍华德·休斯医学研究所）；Meta AI
针对标准流匹配忽略样本作为分布的固有几何结构的问题，提出Wasserstein流匹配（WFM），利用Wasserstein几何在分布族上实现高维分布生成，经理论验证有效，在多场景展现通用性并成功生成多种数据。
2025-05-17 cs.LG
Discriminative Flow Matching Via Local Generative Predictors
本文提出判别流匹配框架，将分类和目标检测转化为条件传输过程，通过局部流匹配目标训练多个独立流预测器，实现鲁棒的生成式推理。
2026-03-14 cs.AI cs.CV
DeepFlow: History Matching in the Space of Deep Generative Models
Imperial College London（帝国理工学院）
利用观测到的流体压力和速率的瞬态数据校准储层模型是获得地球地下的流动和输运行为的预测模型的关键任务。模型校准任务，通常被称为“历史匹配”，可以被形式化为一个不适定的逆问题，我们的目标是找到解释所观察到的动态数据的岩石物理性质的基本空间分布。我们使用在基于地质统计对象的模型上预训练的生成对抗网络来表示油气藏合成模型的岩石性质分布。油藏流体的动态行为是使用瞬态两相不可压缩达西公式建模。我们首先使用预训练的生成模型对属性分布进行建模，然后使用正问题的伴随方程对控制生成模型输出的潜变量执行梯度下降，从而反演底层储层属性。除了动态观测数据，我们包括井岩石类型的限制，通过引入一个额外的目标函数。我们的贡献表明，对于合成测试用例，我们能够通过在深层生成模型的潜变量空间中进行优化来获得反问题的解决方案，给出了一组非线性正问题的瞬态观测。
2019-06-12 cs.CV cs.LG physics.comp-ph
Electron flow matching for generative reaction mechanism prediction obeying conservation laws
Massachusetts Institute of Technology（麻省理工学院）；Kookmin University（国民大学）
针对数据驱动反应预测模型常违反质量守恒的问题，提出基于流匹配框架的FlowER模型，强制精确质量守恒，解决幻觉失效、泛化至新底物和域外反应类，还能估计反应可行性，推进预测准确性与机理理解的结合。
2025-02-18 cs.LG
Generative Design of Ship Propellers using Conditional Flow Matching
math.tu-berlin.de（柏林技术大学数学系）
本文提出利用条件流匹配生成船舶螺旋桨设计，通过生成式人工智能实现性能目标的高效设计，展示了其在工程设计中的应用价值和潜力。
2026-01-29 cs.LG
Flow Matching for Generative Modeling
Meta AI (FAIR)（元人工智能（基础人工智能研究团队））；Weizmann Institute of Science（魏茨曼科学研究所）
我们引入了一个新的范例生成建模建立在连续规范化流（CNFs），使我们能够训练CNFs在前所未有的规模。具体来说，我们提出了流匹配（FM）的概念，模拟免费的方法训练CNFs的基础上回归向量场的固定条件概率路径。流匹配与用于在噪声和数据样本之间进行转换的高斯概率路径的一般族兼容--其将现有的扩散路径作为特定实例。有趣的是，我们发现，采用FM与扩散路径的结果在一个更强大和稳定的替代训练扩散模型。此外，流匹配为用其他非扩散概率路径训练CNF打开了大门。一个特别有趣的例子是使用最优运输（OT）位移插值来定义条件概率路径。这些路径比扩散路径更有效，提供更快的训练和采样，并导致更好的泛化。在ImageNet上使用流匹配训练CNF在可能性和样本质量方面都比其他基于扩散的方法具有更好的性能，并且可以使用现成的数值ODE求解器快速可靠地生成样本。
2023-02-08 cs.AI cs.LG stat.ML
From Euler to Dormand-Prince: ODE Solvers for Flow Matching Generative Models
ATLAS AI Lab（ATLAS人工智能实验室）
本文基于流匹配生成模型的需求，推导并实现了四种经典ODE求解器，通过实验比较其效率，发现RK4在80次函数评估时的样本质量与欧拉在200次评估时相当，并揭示了求解器选择在模型不完善时的重要性。
2026-04-04 cs.LG
An Introduction to Flow Matching and Diffusion Models
csail.mit.edu（麻省理工学院计算机科学与人工智能实验室）
本文介绍扩散和基于流的生成模型，涵盖数学基础、核心算法及图像视频生成方法，适合希望深入理解生成AI理论与实践的机器学习研究者。
2026-03-18 cs.LG
Random Process Flow Matching: Generative Implicit Representations of Multivariate Random Fields
Navier, CNRS, Univ Gustave Eiffel, ENPC, IP Paris, France（纳维尔研究所、国家科学研究中心、巴黎高等电力学院、ENPC、IP巴黎、法国）；LIGM, CNRS, Univ Gustave Eiffel, ENPC, IP Paris, France（LIGM研究所、国家科学研究中心、巴黎高等电力学院、ENPC、IP巴黎、法国）
提出基于流匹配的随机过程流（RP Flow）框架，利用随机傅里叶特征学习隐式信号表示，通过集成采样编码不确定性，实现从稀疏观测生成高质量样本并校准不确定性估计。
2026-05-27 cs.LG
Generative Inverse Design with Abstention via Diagonal Flow Matching
Institute of Mathematics, TU Berlin（柏林技术大学数学研究所）
本文提出Diagonal Flow Matching方法，通过零锚定策略解决反向设计中坐标排列和缩放敏感问题，提升反向设计精度，并引入两个不确定性度量以实现候选选择、可靠预测退避和分布外检测。
2026-07-07 cs.LG
MMGAN: Manifold Matching Generative Adversarial Network
University of North Carolina Charlotte（北卡罗来纳大学夏洛特分校）；Montreal Institute for Learning Algorithms（蒙特利尔学习算法研究所）；Carnegie Mellon University（卡内基梅隆大学）；University of Maryland College Park（马里兰大学学院公园分校）；Korea University（高丽大学）；IIIT Delhi（德里印度理工学院）；Electronics and Telecommunications Research Institute（电子与电信研究院）
众所周知，GANs很难训练，为了稳定它们的训练，已经提出了几种不同的技术。在本文中，我们提出了一种新的训练方法称为流形匹配，和一个新的GAN模型称为流形匹配GAN（MMGAN）。MMGAN找到两个流形，分别代表真实图像和虚假图像的矢量表示。如果这两个流形匹配，这意味着真实和虚假图像在统计上是相同的。为了帮助流形匹配任务，我们还使用i）内核技巧来找到更好的流形结构，ii）移动平均流形跨小批量，和iii）基于相关矩阵的正则化抑制模式坍塌。我们对三个图像数据集进行了深入的实验，并与几个最先进的GAN模型进行了比较。在我们的用户研究中，32.4%的MMGAN生成的图像被识别为假图像（与其他最先进的模型相比增强了16%）。MMGAN在CIFAR-10的无监督初始得分为7.8。
2018-04-12 cs.LG
Flow matching-based generative models for MIMO channel estimation
State Key Laboratory of Networking and Switching Technology（网络与交换技术国家重点实验室）；Beijing University of Posts and Telecommunications（北京邮电大学）；ZGC Institute of Ubiquitous-X Innovation and Applications（ZGC 全息-X创新与应用研究院）
针对现有基于扩散模型的MIMO信道估计方案采样速度慢的问题，提出基于流匹配的生成式信道估计方法，可显著降低采样开销并提升不同信道条件下的估计精度。
2025-11-14 cs.LG
Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching
Purdue University（普渡大学）；University of Central Florida（中央佛罗里达大学）；Tufts University（塔夫茨大学）
本文研究了流匹配生成模型的样本复杂性，证明了在有限样本下，通过足够表达的神经网络可实现分布的近似，且误差与样本量呈反比关系。
2025-12-01 cs.AI cs.LG
Semi-Supervised Generative Learning via Latent Space Distribution Matching
School of Computing & Data Science, University of Hong Kong（香港大学计算与数据科学学院）
LSDM通过潜在空间分布匹配实现半监督生成学习，利用非配对数据提升生成质量。
2026-03-04 cs.LG stat.ML
Symmetrical Flow Matching: Unified Image Generation, Segmentation, and Classification with Score-Based Generative Models
本文提出对称流匹配方法，通过联合建模正反向变换实现图像生成、分割和分类的统一，采用对称学习目标确保双向一致性并保留生成多样性，实验表明其在多个基准上取得SOTA性能。
2026-01-30 cs.AI cs.CV
Learning Energy-Based Generative Models via Potential Flow: A Variational Principle Approach to Probability Density Homotopy Matching
Monash University Malaysia（墨尔本大学马来西亚分校）
本文提出变分势流贝叶斯（VPFB）框架，通过变分损失匹配流驱动密度同伦，无需隐式MCMC采样，实现稳健高效的基于能量的生成建模，并在图像生成等任务中表现优异。
2025-04-22 cs.LG
Posterior Mean Matching: Generative Modeling through Online Bayesian Inference
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；University of Michigan（密歇根大学）；Columbia University（哥伦比亚大学）
本文提出基于贝叶斯推断的生成式建模新方法PMM，利用共轭分布对和在线贝叶斯推断迭代细化目标分布，在语言建模和图像生成任务中表现出与现有模型相媲美的性能。
2024-12-19 cs.AI cs.LG stat.ML
Enhancing Stability in Training Conditional Generative Adversarial Networks via Selective Data Matching
Pusan National University（釜山大学）；NHN Cloud（NHN云）；Sogang University（西江大学）
本文提出选择性聚焦学习，通过按判别器条件项得分选择样本，仅对高分样本应用条件匹配，其余用联合匹配，在多个数据集上显著提升cGAN训练稳定性（FID最高改善35.18%）。
2024-09-19 cs.AI cs.LG
DeFloMat: Detection with Flow Matching for Stable and Efficient Generative Object Localization
Department of Software Convergence, Seoul Women’s University（软件融合系，首尔女子大学）；Department of Radiology, Severance Hospital, Yonsei University College of Medicine（放射科，松趾医院，延世大学医学院）
DeFloMat通过结合条件流匹配和确定性流场，实现了稳定高效的生成物体定位检测，仅需3步推理即可达到43.32%的AP10:50精度，优于DiffusionDet的31.03%。
2025-12-26 cs.CV
Adjoint Matching: Fine-tuning Flow and Diffusion Generative Models with Memoryless Stochastic Optimal Control
FAIR, Meta（FAIR（Meta公司））
本文将流与扩散模型的奖励微调建模为随机最优控制，证明需采用无记忆噪声调度，并提出 Adjoint Matching 算法，在保持多样性的同时提升一致性、真实性与偏好泛化。
2025-01-07 cs.LG math.OC stat.ML
Local Flow Matching Generative Models
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（哈里·米尔顿·斯图尔特工业与系统工程学院，佐治亚理工学院）；Department of Mathematics, Duke University（杜克大学数学系）
提出局部流匹配（LFM）方法，通过逐步学习一系列流匹配子模型，每个子模型匹配扩散过程的一个时间步，实现更高效训练，并基于χ²散度提供理论生成保证，在表格、图像和机器人策略生成中表现竞争性。
2026-06-23 cs.LG stat.ML
Theoretical Guarantees for High Order Trajectory Refinement in Generative Flows
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Stevens Institute of Technology（史蒂文斯理工学院）；The University of Hong Kong（香港大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；South China University of Technology（华南理工大学）；The Simons Institute for the Theory of Computing（西蒙斯理论计算研究所）
本文首次为引入加速度项的高阶流匹配提供理论保证，证明其作为分布估计器保持最坏情况最优性，并推导出依赖目标分布Besov平滑性和ODE参数的收敛上界。
2025-03-12 cs.AI cs.CV cs.LG
