Potential Matching Optimal Transport: Continuous Normalizing Flows for Exact $p$-Wasserstein Dynamics
School of Mathematical Sciences, Shanghai Jiao Tong University(上海交通大学数学科学学院)
本研究提出PMOT势匹配最优传输框架,结合CNF与广义Benamou-Brenier形式,实现$p$-最优传输的精确动力学建模,在合成基准、高维表格数据及颜色变换任务中表现出良好性能。
2026-08-07 cs.LG cs.NA math.NA
Matching Normalizing Flows and Probability Paths on Manifolds
Weizmann Institute of Science(魏茨曼科学研究所);University College London(伦敦大学学院);Meta AI Research(Meta人工智能研究院)
连续归一化流(CNFs)是一类通过求解常微分方程(ODE)将先验分布转换为模型分布的生成模型。我们提出了通过最小化概率路径发散(PPD)来训练流形上的CNF,PPD是由CNF产生的概率密度路径和目标概率密度路径之间的一种新的发散族,PPD使用对数质量守恒公式来表示,该公式是一个线性一阶偏微分方程,它将对数目标概率和CNF的定义向量场联系起来. PPD与现有方法相比具有几个关键优点:它回避了每次迭代求解ODE的需要,易于应用于流形数据,可扩展到高维,并且与在有限时间内插值纯噪声和数据的目标路径的大家族兼容。理论上,PPD被证明是限制古典概率发散。从经验上讲,我们证明了通过最小化PPD学习的CNFs在现有低维流形基准上实现了最先进的似然性和样本质量结果,并且是生成模型扩展到适度高维流形的第一个例子。
2022-07-11 cs.LG stat.ML
Normalizing Trajectory Models
Apple(苹果公司)
本文提出轨迹归一化模型,通过精确的似然训练建模反向步骤作为条件归一化流,实现高效生成并在文本到图像任务中展现优越性能。
2026-05-12 cs.CV cs.LG
Distilling Normalizing Flows
University of Oregon(俄勒冈大学);HSE University(俄罗斯高等经济大学);Picsart AI Research(Picsart人工智能研究所)
本文提出新颖的知识蒸馏技术,通过在中间层转移知识来提升较小学生 Normalizing Flows 的采样质量和密度估计,在大幅减小模型规模的同时实现性能提升和吞吐量增加。
2025-06-26 cs.LG
Markovian Flow Matching: Accelerating MCMC with Continuous Normalizing Flows
Lancaster University(兰卡斯特大学)
本文提出马尔可夫流匹配方法,将 FM 训练的 CNF 作为非局部转移核嵌入自适应 MCMC,并结合回火机制,以更低计算成本实现多模态推断。
2024-10-28 cs.LG stat.ME stat.ML
Latent Reasoning with Normalizing Flows
University of Pennsylvania(宾夕法尼亚大学);UC San Diego(圣地亚哥大学);Meta
提出NF-CoT框架,通过归一化流在LLM内部建模连续潜在思维,保留自回归生成、概率采样、KV缓存解码和似然估计等优势,在代码生成任务中提升通过率并降低推理成本。
2026-06-04 cs.CL cs.LG
Path Gradients after Flow Matching
Freie Universität Berlin(柏林自由大学)
针对已知目标能量的分子平衡采样,本文提出用路径梯度微调经Flow Matching初始化的CNF,在不增加模型、预算和采样的情况下将采样效率最高提升三倍并保留流结构。
2025-10-20 cs.LG stat.ML
Boltzmann Generators for Condensed Matter via Riemannian Flow Matching
Freie Universität Berlin(柏林自由大学);Microsoft Research(微软研究院);Flatiron Institute(熨斗研究所)
本文提出利用黎曼流匹配将周期性特征融入连续归一化流,实现高效准确的凝聚相系统平衡分布采样,验证了在单原子冰中训练大规模系统并获得高精度自由能估计的能力。
2026-03-30 cond-mat.stat-mech cs.LG physics.comp-ph
Flow Matching for Scalable Simulation-Based Inference
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);University of Nottingham(诺丁汉大学);University of Tübingen(蒂宾根大学)
本文提出流匹配后验估计(FMPE),利用连续归一化流实现可扩展的仿真推断,在引力波推断任务中相比离散流方法训练时间减少30%且精度显著提升。
2023-10-27 cs.LG
Flow-matching -- efficient coarse-graining of molecular dynamics without forces
Freie Universität Berlin(柏林自由大学);Microsoft Research AI4Science(微软研究院AI4Science)
粗粒度(CG)分子模拟已经成为一个标准的工具,研究分子过程的时间和长度尺度上无法达到全原子模拟。参数化CG力场以匹配全原子模拟主要依赖于力匹配或相对熵最小化,这需要分别来自具有全原子或CG分辨率的昂贵模拟的许多样本。在这里,我们提出了流匹配,这是一种新的CG力场训练方法,它通过利用归一化流(一种生成式深度学习方法)结合了两种方法的优点。流匹配首先训练归一化流以表示CG概率密度,这相当于在不需要迭代CG模拟的情况下最小化相对熵。随后,该流程根据学习的分布生成样本和力,以便经由力匹配来训练期望的CG自由能模型。即使不需要来自全原子模拟的力,流匹配在数据效率方面也优于经典力匹配一个数量级,并且产生可以捕获小蛋白质折叠和展开转变的CG模型。
2023-02-05 cs.LG physics.bio-ph physics.chem-ph
WeaNF: Weak Supervision with Normalizing Flows
University of Vienna(维也纳大学)
一个流行的方法,以减少需要昂贵的人工注释的大型数据集是弱监督,这引入了噪声标签,覆盖和偏见的问题。克服这些问题的方法要么依赖于判别模型,用特定于弱监督的成本函数进行训练,要么依赖于最近的生成模型,试图对自动注释过程的输出进行建模。在这项工作中,我们探索了弱监督生成建模的一个新方向:不是对注释过程的输出(标签函数匹配)进行建模,而是对标签函数覆盖的输入端数据分布(特征空间)进行生成建模。具体来说,我们通过使用归一化流来估计每个弱标记源或标记函数的密度。我们的方法的一个组成部分是多个同时匹配的标记函数的基于流的建模,因此捕获了标记函数重叠和相关性等现象。我们分析了各种常用的弱监督数据集上的有效性和建模能力,并表明弱监督规范化流与标准弱监督基线相比是有利的。
2022-05-02 cs.CL cs.LG
PDMD: Projected Distribution Matching Distillation for Video Diffusion Models
ByteDance Inc.(字节跳动有限公司);University of California, San Diego(加利福尼亚大学圣迭戈分校)
针对视频扩散模型蒸馏中评论家误差累积导致的样本退化问题,提出投影分布匹配蒸馏(PDMD),通过投影去除误差分量,仅需一行代码改动即可稳定训练并提升样本质量,在多个基准上超越现有方法。
2026-09-29 cs.CV cs.LG
STARFlow-V: End-to-End Video Generative Modeling with Normalizing Flows
Apple(苹果公司)
STARFlow-V基于归一化流提出端到端视频生成模型,具备端到端学习、鲁棒因果预测和原生似然估计等优势,实现了高质量自回归视频生成。
2025-11-26 cs.CV cs.LG
A Tale of Two Flows: Cooperative Learning of Langevin Flow and Normalizing Flow Toward Energy-Based Model
Baidu Research(百度研究院)
研究了两个生成式流模型的协同学习问题,即基于联合合成的实例迭代更新两个模型。第一流模型是通过应用可逆变换序列将初始简单密度变换为目标密度的归一化流。第二个流动模型是朗之万流动,其运行基于梯度的MCMC的有限步骤以实现基于能量的模型。我们从提出一个生成框架开始,该框架使用归一化流作为摊销采样器来训练基于能量的模型,以初始化基于能量的模型的MCMC链。在每次学习迭代中,我们通过使用归一化流初始化,然后对当前基于能量的模型进行短期朗之万流修正来生成合成示例。然后,将合成样本作为基于能量的模型的公平样本,利用极大似然学习梯度更新模型参数,而归一化流则通过最大化易处理的似然来直接从合成样本中学习。在短期非混合MCMC情形下,基于能量的模型的估计遵循极大似然扰动,短期Langevin流和归一化流形成了一个双流生成器,我们称之为CoopFlow.我们提供了一个understating的CoopFlow算法的信息几何,并表明它是一个有效的发电机,因为它收敛到一个时刻匹配估计。我们证明了训练的CoopFlow能够合成逼真的图像,重建图像,并在图像之间进行插值。
2022-05-13 cs.LG stat.ML
Simplifying Flow Matching Transformations with Low-Rank Mixture Models
Stanford Intelligent Systems Laboratory in the Department of Aeronautics and Astronautics at Stanford University(斯坦福大学航空航天系智能系统实验室);Industrial and Systems Engineering Department at King Fahd University of Petroleum and Minerals(科威特石油矿物大学工业与系统工程系)
提出用概率主成分分析混合模型作为归一化流的潜变量密度,通过KL散度对齐数据分布,简化流变换,加速训练并提升生成质量。
2026-06-29 cs.LG
Smooth Normalizing Flows
Freie Universität Berlin(柏林自由大学);Rice University(莱斯大学)
规范化流是物理系统中概率分布建模的一个很有前途的工具。虽然最先进的流精确地近似分布和能量,但物理学中的应用还需要平滑能量来计算力和高阶导数。此外,这样的密度通常定义在非平凡拓扑上。最近的一个例子是玻尔兹曼发生器,用于生成肽和小蛋白质的3D结构。这些生成模型利用了内部坐标空间(二面角,角度和键),这是超环面和紧凑间隔的产物。在这项工作中,我们介绍了一类光滑的混合变换工作在紧区间和超环面。混合变换在实践中使用寻根方法来反转它们,这到目前为止阻止了双向流训练。为此,我们表明,参数梯度和力的逆可以计算从正向评价通过反函数定理。我们证明了两个优势,这样的流畅:他们允许训练力匹配模拟数据,并可用于分子动力学模拟的潜力。
2021-11-30 cs.LG physics.chem-ph stat.ML
IL-flOw: Imitation Learning from Observation using Normalizing Flows
McGill University(麦吉尔大学)
我们提出了一个算法,逆强化学习(IRL)从专家状态观察。我们的方法将奖励建模与策略学习相结合,这与最先进的对抗方法不同,后者需要在策略搜索期间更新奖励模型,并且已知是不稳定的,难以优化。我们的方法IL-flOw通过对状态-状态转换进行建模来恢复专家策略,通过使用在演示轨迹上训练的深度密度估计器来生成奖励,避免了对抗方法的不稳定问题。我们证明,使用状态转移对数概率密度作为前向强化学习的奖励信号可以转化为匹配专家演示的轨迹分布,并通过实验显示出真实奖励信号的良好恢复以及运动观察和机器人连续控制任务模仿的最新结果。
2022-05-19 cs.AI cs.LG cs.RO
RoMAN-Flow: Taming Autoregressive Normalizing Flows for Offline Reinforcement Learning in Robotic Manipulation
该研究针对机器人操作离线强化学习中AR-NFs采样开销大的问题,提出RoMAN-Flow框架,通过无采样的优势加权似然目标和策略蒸馏方法,在保证性能的同时大幅降低推理延迟。
2026-08-21 cs.CV
Sliced Iterative Normalizing Flows
University of California, Berkeley(加州大学伯克利分校);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
我们开发了一种迭代(贪婪)深度学习(DL)算法,该算法能够将任意概率分布函数(PDF)转换为目标PDF。该模型基于一系列1D切片的迭代最优传输,在每个切片上将边缘PDF与目标相匹配。正交切片的轴被选择为在每次迭代时使用Wasserstein距离来最大化PDF差异,这使得算法能够很好地扩展到高维。作为该算法的特例,我们引入了两个切片迭代归一化流(SINF)模型,该模型从数据映射到潜在空间(GIS),反之亦然(SIG)。我们表明,SIG能够生成高质量的图像数据集样本,这些样本与GAN基准相匹配,而GIS在密度估计任务上获得了与密度训练的NF相比具有竞争力的结果,并且在小训练集上训练时更稳定,更快,并且实现了更高的$p(x)$。SINF方法显著偏离当前DL范例,因为它是贪婪的并且不使用诸如最小梯度、随机梯度下降和通过深层的梯度反向传播的概念。
2021-06-14 cs.LG stat.ML
Normalizing flow neural networks by JKO scheme
Georgia Institute of Technology(佐治亚理工学院);Duke University(杜克大学)
提出JKO-iFlow神经ODE流网络,基于JKO格式展开Wasserstein梯度流,支持高效逐块训练并降低内存成本,在合成与真实数据上性能优于现有流与扩散模型。
2024-02-16 cs.LG stat.ML
FMMI: Flow Matching Mutual Information Estimation
Applied AI Institute(应用人工智能研究所);Institute of Numerical Mathematics, RAS(俄罗斯科学院数值数学研究所);National Research Nuclear University MEPhI(国立研究型核大学MEPhI(莫斯科工程物理学院))
FMMI通过学习归一化流来估计互信息,提供了一种高效且精确的MI估计方法,适用于高维数据和广泛的真实MI值范围。
2026-02-09 cs.IT cs.LG math.IT
Equivariant flow matching
Freie Universität Berlin(柏林自由大学);Microsoft Research AI4Science(微软研究院AI4Science);Rice University(莱斯大学)
本文提出等变流匹配这一新训练目标,利用目标能量的物理对称性实现等变连续归一化流的高效无模拟训练,在小分子和多粒子系统上显著提升了采样效率与可扩展性。
2023-11-23 cs.LG physics.chem-ph physics.comp-ph
Quantum Dynamics via Score Matching on Bohmian Trajectories
Beijing National Laboratory for Condensed Matter Physics(北京凝聚态物理实验室);Institute of Physics, Chinese Academy of Sciences, Beijing 100190, China(中国科学院物理研究所,北京100190,中国)
本文通过学习Bohm轨迹上的分数函数,求解时间依赖的薛定谔方程,展示了基于分数驱动的归一化流框架在量子动力学中的应用。
2026-04-28 cs.LG physics.chem-ph physics.comp-ph
Pathwise Test-Time Correction for Autoregressive Long Video Generation
Nanjing University(南京大学);Tencent Hunyuan(腾讯文言);Chinese University of Hong Kong Shenzhen(香港中文大学(深圳));University of Science and Technology of China(中国科学技术大学)
本文提出TTC方法,通过利用初始帧作为参考锚点,有效校正自回归长视频生成中的漂移问题,提升生成质量并延长生成长度。
2026-03-10 cs.CV
Multistep Distillation of Diffusion Models via Moment Matching
Google DeepMind(谷歌DeepMind)
本文提出基于矩匹配的多步蒸馏方法,将多步扩散模型压缩为最多8步的少步模型,在ImageNet上超越原始教师模型,并实现无需自编码器的高分辨率文本到图像快速生成。
2024-06-06 cs.AI cs.CV cs.LG
How to Train Your Energy-Based Models
Stanford University(斯坦福大学);Google Research(谷歌研究院)
基于能量的模型(EBM),也称为非归一化概率模型,指定概率密度或质量函数,直到未知的归一化常数。与大多数其他概率模型不同,EBM不限制归一化常数的可处理性,因此对参数化更灵活,并且可以模拟更具表现力的概率分布族。然而,EBM的未知归一化常数使得训练特别困难。我们的目标是提供一个友好的介绍现代循证医学培训的方法。我们首先解释使用马尔可夫链蒙特卡罗(MCMC)的最大似然训练,然后详细说明无MCMC的方法,包括分数匹配(SM)和噪声压缩估计(NCE)。我们强调这三种方法之间的理论联系,并结束了一个简短的调查替代培训方法,这仍然是积极的研究。我们的教程针对的是对生成模型有基本了解的观众,他们希望应用EBM或在这个方向上开始研究项目。
2021-02-17 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
SGMD: Score Gradient Matching Distillation for Few-Step Video Diffusion Distillation
Beihang University(北京航空航天大学);SenseTime Research(商汤科技研究院);Hong Kong University of Science and Technology(香港科技大学)
针对分布匹配蒸馏在少步视频扩散中训练昂贵且运动动态保守的问题,提出得分梯度匹配蒸馏(SGMD),通过直接优化假得分朝向教师并使用教师停止梯度Fisher作为稳定目标,实现约3倍训练加速并显著提升运动动态。
2026-07-23 cs.CV cs.LG
Venom: A PyTorch Generative Modeling Toolkit
Paul G. Allen School of Computer Science & Engineering(保罗·G·艾伦计算机科学与工程学院)
本文提出Venom,一个基于PyTorch的生成建模工具包,旨在通过统一的接口实现多种生成建模家族,提供可读、可复现的入口点以及一致的训练和采样API,便于教学、原型设计和轻量级基准测试。
2026-05-17 cs.LG
Efficient Regression-Based Training of Normalizing Flows for Boltzmann Generators
Mila – Québec AI Institute(魁北克AI研究所);Université de Montréal(蒙特利尔大学);Massachusetts Institute of Technology(麻省理工学院);University of Oxford(牛津大学);AITHYRA;HEC Montréal(蒙特利尔HEC)
针对玻尔兹曼生成器中归一化流最大似然训练不稳定、计算成本高的问题,提出基于回归的RegFlow训练方法,采用最优输运耦合或预训练流构造目标,结合前向后向自洽损失提升稳定性,在分子构象采样任务上优于传统方法。
2025-10-30 cs.AI cs.LG stat.ML
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
Gaussian-Channel Regularity and Distribution Learning with Flow Matching
The Hong Kong Polytechnic University(香港理工大学);Wuhan University(武汉大学);Northeast Normal University(东北师范大学)
本文从理论上研究了基于线性插值和流匹配目标函数的连续归一化流从有限样本学习概率分布的收敛性,在目标分布具有有界支撑、强对数凹或为高斯混合的条件下,建立了Wasserstein-2距离的非渐近误差界。
2026-11-17 cs.LG stat.ML
SPID: Distilled Protein Backbone Generation
The University of Texas at Austin(德克萨斯大学奥斯汀分校);The Memorial Sloan Kettering Cancer Center(纪念斯隆凯特林癌症中心)
针对扩散类蛋白质主链生成模型采样速度慢的瓶颈,研究通过适配SiD分数蒸馏策略,结合多步生成与推理噪声调制,训练出少步骤生成器,采样速度提升超20倍且性能接近Proteina教师模型,助力大规模蛋白质设计。
2026-09-22 cs.AI cs.LG stat.ML
Distilled Datamodel with Reverse Gradient Matching
National University of Singapore(新加坡国立大学)
本文提出一种基于反向梯度匹配的蒸馏数据模型框架,通过离线训练蒸馏synset近似数据影响并在线加速留一法评估,在保持模型行为评估效果的同时显著降低计算成本。
2024-04-22 cs.CV cs.LG
FlowPure: Continuous Normalizing Flows for Adversarial Purification
DistriNet, KU Leuven(鲁汶大学DistriNet实验室)
本文提出FlowPure,利用连续归一化流和条件流匹配学习对抗样本与干净样本的映射,优于现有净化防御,在预处理器盲和白盒场景中表现更优,同时保持良性准确率。
2026-03-30 cs.AI cs.CR cs.LG
Localizing Anomalies via Multiscale Score Matching Analysis
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
本文提出Spatial-MSMA,一种基于多尺度分数匹配和条件归一化流的无监督方法,用于脑部MRI异常定位,在1,650幅图像上显著优于现有方法,实现高精度病变检测与分割。
2024-07-18 cs.CV cs.LG
Diversity-Preserved Distribution Matching Distillation for Fast Visual Synthesis
本文提出了一种保留多样性的分布匹配蒸馏(DP-DMD)方法,通过分离角色的蒸馏策略,在少量步骤中保持样本多样性并维持竞争性的视觉质量,为其他DMD变体提供了一种简单且稳定的替代方案。
2026-05-19 cs.CV
Hierarchical Flow Matching for 3D Point Cloud Generation
Shandong Normal University(山东师范大学);University of Macau(澳门大学)
针对现有三维点云生成方法的缺陷,提出分层流匹配(HFM),将流匹配扩展为双级结构,在ShapeNet等基准上实现了有竞争力的生成性能。
2026-08-07 cs.CV
Distribution Matching via Generalized Consistency Models
本文提出一种受连续归一化流中一致性模型启发的分布匹配方法,兼具直接的范数最小化目标与类似GAN的约束适应性,并通过理论和实验验证其有效性。
2025-08-17 cs.AI cs.LG
DFM: Interpolant-free Dual Flow Matching
Panasonic AI Lab(松下人工智能实验室);Panasonic Holdings Corporation(松下控股公司)
针对连续正则化流求解ODE计算代价高且依赖插值的问题,提出无插值的对偶流匹配方法,通过联合优化前向与反向向量场促进双射性,在SMAP无监督异常检测中取得SOTA性能。
2024-10-11 cs.AI cs.LG stat.ML
Density Matching for Bilingual Word Embedding
Carnegie Mellon University(卡内基梅隆大学)
最近的跨语言词嵌入方法通常基于两种语言中的嵌入向量集之间的线性变换。在本文中,我们提出了一种方法,而不是表示两个单语嵌入空间的概率密度定义的高斯混合模型,并匹配两个密度使用一种方法称为归一化流。该方法不需要明确的监督,并且可以仅使用具有相同字符串的单词的种子字典来学习。我们认为,这种提法有几个直观的吸引力的属性,特别是在提高鲁棒性和泛化困难的语言对或词对之间的映射。在双语词典归纳和跨语言单词相似性的基准数据集上,与最先进的已发表结果相比,我们的方法可以实现具有竞争力或优越的性能,在词源遥远和/或形态丰富的语言上发现了特别强大的结果。
2019-04-30 cs.CL cs.LG
Flow Matching: Markov Kernels, Stochastic Processes and Transport Plans
Institute of Mathematics, Technische Universität Berlin(1 数学研究所,柏林技术大学)
本文从数学角度探讨了学习Wasserstein几何中绝对连续曲线速度场的不同技术,包括运输计划、马尔可夫核和随机过程,并讨论了流匹配在贝叶斯逆问题中的应用。
2026-04-24 cs.LG math.PR
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
SplineFlow: Flow Matching for Dynamical Systems with B-Spline Interpolants
CISPA Helmholtz Center for Information Security(CISPA海德堡信息安全研究中心);Department of Computer Science and Technology(计算机科学与技术系);University of Cambridge(剑桥大学)
SplineFlow通过B样条插值联合建模多观测条件路径,解决动态系统建模中高阶动态学习的稳定性与多边际约束问题,实验验证其在多种动态系统和细胞轨迹推断中的优越性。
2026-10-28 cs.LG
Adding Additional Control to One-Step Diffusion with Joint Distribution Matching
HKUST(香港科技大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);HKUST (GZ)(香港科技大学(广州))
本文提出联合分布匹配(JDM)方法,通过最小化图像-条件联合分布的反向KL散度并解耦保真度与条件学习,使单步蒸馏模型无需重新蒸馏即可适配新控制条件,并改进CFG与人类反馈学习集成,在单步文本到图像合成中超越多步ControlNet等基线。
2025-03-12 cs.CV
Iterated Energy-based Flow Matching for Sampling from Boltzmann Densities
Pohang University of Science and Technology(浦项科技大学)
针对从未归一化密度训练生成器的问题,提出首个离策略方法iEFM,通过无仿真的基于能量的流匹配目标训练CNF模型,在GMM和DW-4上优于现有方法,适用于高维系统。
2024-08-29 cs.LG stat.ML
Neural Diffeomorphic Non-uniform B-spline Flows
Seoul National University(首尔大学)
本文提出至少二次连续可微且双Lipschitz连续的微分同胚非均匀B样条流,推导其解析逆变换,并在Boltzmann生成器力匹配任务中取得优于已有样条流且快于光滑归一化流的结果。
2023-04-11 cs.AI cs.LG
Flow Matching on General Geometries
FAIR, Meta(Meta FAIR研究院);Weizmann Institute of Science(魏茨曼科学研究所)
本文提出黎曼流匹配框架,通过构造预度量并以闭式形式计算目标向量场,实现流形上免模拟、免散度计算的可扩展连续归一化流训练,在非欧数据集上取得最先进性能。
2024-02-26 cs.AI cs.LG stat.ML
Simulation-free Schrödinger bridges via score and flow matching
Mila – Québec AI Institute(米拉-魁北克人工智能研究所);Université de Montréal(蒙特利尔大学);McGill University(麦吉尔大学);University of Toronto(多伦多大学);Vector Institute(向量研究所)
本研究提出无模拟得分与流匹配方法[SF]$^2$M,将连续时间随机生成建模转化为薛定谔桥问题,无需模拟随机过程即可高效求解,在性能和效率上优于现有模拟方法,还可用于高维细胞动力学建模与基因调控网络恢复。
2024-03-11 cs.LG
Flow Matching Beyond Kinematics: Generating Jets with Particle-ID and Trajectory Displacement Information
Universität Hamburg(汉堡大学);Rutgers University(罗格斯大学)
本文提出首个基于JetClass数据集的排列等变连续归一化流生成模型,以喷注类型为条件,在组分层面生成喷注,并首次建模粒子ID和径迹位移等非运动学特征,扩展了喷注生成技术的应用范围。
2025-03-26 cs.LG hep-ex hep-ph
MoFlow: One-Step Flow Matching for Human Trajectory Forecasting via Implicit Maximum Likelihood Estimation based Distillation
University of British Columbia(不列颠哥伦比亚大学);Vector Institute for AI(向量人工智能研究所);Simon Fraser University(西蒙菲莎大学)
提出条件流匹配模型 MoFlow 及仅需教师样本的 IMLE 蒸馏方法,在多个人体轨迹基准上达到最优,并以一步学生模型实现百倍采样加速。
2026-10-06 cs.AI cs.CV cs.LG
Taming Identity Consistency and Prompt Diversity in Diffusion Models via Latent Concatenation and Masked Conditional Flow Matching
针对主体驱动图像生成中身份一致性与提示多样性的权衡问题,提出潜空间拼接策略结合掩码CFM目标的LoRA微调扩散模型,辅以两阶段蒸馏数据整理框架与CHARIS评估框架,实现鲁棒身份保留与生成能力扩展。
2025-11-11 cs.AI cs.CV
Dirichlet Flow Matching with Applications to DNA Sequence Design
Massachusetts Institute of Technology(麻省理工学院);CSAIL(计算机科学与人工智能实验室)
针对单纯形上线性流匹配的病态问题,提出基于Dirichlet分布混合的Dirichlet flow matching框架,支持分类器引导与无分类器引导,并通过蒸馏实现单步序列生成,在DNA序列设计任务中表现优异且大幅加速。
2024-05-30 cs.LG q-bio.BM
Stream-level flow matching with Gaussian processes
Duke University(杜克大学)
本文扩展了条件流匹配算法,通过引入高斯过程对连接源和目标数据对的潜在随机路径(流)进行建模,有效降低了边缘向量场的估计方差,提升了生成样本质量,并支持灵活连接相关训练数据点。
2025-02-03 cs.AI cs.LG stat.ML