On the Guidance of Flow Matching
Department of Artificial Intelligence, Westlake University, Hangzhou, China(人工智能系,西湖大学,杭州,中国);Academy of Mathematics and Systems Science, Chinese Academy of Sciences, Beijing, China(数学与系统科学研究院,中国科学院,北京,中国)
本文提出首个通用流匹配引导框架,推导出免训练精确引导、训练损失及两类近似引导方法,并在合成数据、图像逆问题和离线强化学习中验证其有效性。
2025-05-26 cs.LG
Correcting Source Mismatch in Flow Matching with Radial-Angular Transport
Université Paris-Saclay, CNRS, ENS Paris-Saclay, Centre Borelli(巴黎萨克雷大学, 法国国家科学研究中心, 巴黎高等师范学校-萨克雷, 博雷利中心);ENSIIE(法国国立信息学与能源技术学校)
本文提出Radial-Angular Flow Matching框架,通过匹配数据径向分布和均匀角分布来纠正源不匹配,从而改进流匹配性能,适用于厚尾和极端事件数据。
2026-04-05 cs.LG
Unsupervised Anomaly Detection Using Flow Matching on Tabular Data
University of Mannheim(曼海姆大学);MPI for Informatics(马克斯·普朗克信息学研究所);Saarland Informatics Campus(萨尔兰信息学园区)
本研究针对受污染训练数据下的表格异常检测,对比TCCM与Forest-Flow,发现轨迹类异常评分更稳定,Forest-Flow表现可与TCCM媲美甚至更优,凸显异常评分的重要性。
2026-08-21 cs.LG
Low-Pass Flow Matching
ELLIS Institute Tübingen(图宾根ELLIS研究所);Max Planck Institute for Intelligent Systems(智能系统马克斯·普朗克研究所);Tübingen AI Center(图宾根人工智能中心);Liquid AI(液体AI)
针对流匹配中白噪声源与自然数据频谱不匹配的问题,提出基于算子调制插值的低通流匹配方法,引入时变频谱偏差,在保持或提升样本质量的同时显著降低采样成本。
2026-06-01 cs.LG
Tessellations of Semi-Discrete Flow Matching
DMA, ENS-PSL(DMA,ENS-PSL);MAP5;LIGM, Univ. Gustave Eiffel, CNRS(LIGM,法国埃菲尔大学,CNRS)
本文研究半离散设置下的流匹配,探讨终端分配区域的几何特性,揭示精确半离散流匹配目标的内在几何结构。
2026-05-08 cs.LG
Euclidean Distance-Based Flow Matching
Saarland University(萨尔大学)
针对标准流匹配对数据污染敏感的问题,提出基于欧氏距离的流匹配,通过将回归目标的平方欧氏距离替换为欧氏距离提升分布稳健性,在CIFAR-10严重污染样本场景中表现出明显优势。
2026-10-14 cs.LG
Joint Flow Matching: Consistent Generative and Discriminative Inference from a Shared Flow
研究提出联合流匹配(JFM)训练框架,解决标准流匹配在条件推理上的问题,通过为变量分配相反角色产生一致联合分布,用于联合分类和生成,在条件数据集验证,有竞争力准确率且无需事后校准,能生成与分类器一致的图像。
2026-10-30 cs.LG
Efficiency vs. Fidelity: A Comparative Analysis of Diffusion Probabilistic Models and Flow Matching on Low-Resource Hardware
本研究通过比较流匹配与扩散模型在低资源硬件上的性能,发现流匹配在效率和保真度上更优,适合实时生成任务。
2025-11-24 cs.LG
Exploring Diffusion and Flow Matching Under Generator Matching
University of California, Berkeley(加利福尼亚大学伯克利分校)
本文在生成器匹配统一框架下理论比较扩散与流匹配,揭示流匹配更稳健的原因,并探讨混合确定性与随机组件以构建新模型类别。
2024-12-17 cs.CV cs.LG
Notes on generative modeling: flow matching, diffusion, optimal transport and Schr{ö}dinger bridge
Inria(法国国家信息与自动化研究所)
本文梳理生成建模中不同技术的高层数学原理,揭示最优传输与薛定谔桥、流匹配等标准方法之间的联系。
2026-06-29 cs.LG stat.ML
Energy Guided Geometric Flow Matching
Columbia University(哥伦比亚大学);New York Genome Center(纽约基因组中心)
针对传统流匹配路径设计存在的缺陷,本文提出结合分数匹配与退火能量蒸馏学习度量张量的能量引导几何流匹配方法,在相关任务上验证了方法有效性。
2025-11-17 cs.AI cs.LG
Constrained Flow Matching via Lagrangian Dual Flows
DePaul University(德保罗大学);Rice University(里士满大学)
研究在生成建模中加入推理时约束的问题,提出基于拉格朗日对偶动力学的拉格朗日对偶流技术,能保证非线性约束满足,算法简单有效并建立新理论联系。
2026-10-02 cs.LG math.OC
Variational Rectified Flow Matching
Apple(苹果公司)
针对经典修正流匹配因均方误差损失无法学习多模态速度向量场的问题,提出变分修正流匹配框架,通过建模多模态流方向提升性能,在合成数据及多个图像数据集上取得良好结果。
2025-02-13 cs.CV cs.LG
Flow Matching for Convective-Scale Precipitation Downscaling
Met Office(英国气象局)
针对对流尺度降水降尺度问题,提出流匹配生成模型,相比扩散模型在空间技能上表现更优,但低估降水分布上尾导致气候平均偏干。
2026-05-29 cs.LG physics.ao-ph
Graph Flow Matching: Enhancing Image Generation with Neighbor-Aware Flow Fields
本文提出图流匹配(GFM),通过将速度场分解为反应项与图神经扩散项来聚合邻域信息,在五个图像生成基准上一致提升FID和召回率,以极小计算代价增强现有流匹配架构。
2025-11-10 cs.CV cs.LG
FlowMotion: Target-Predictive Conditional Flow Matching for Jitter-Reduced Text-Driven Human Motion Generation
Universidade Federal do ABC(巴西ABC联邦大学)
本文提出FlowMotion方法,通过在条件流匹配中引入更准确预测目标运动的训练目标,实现高保真、时间平滑且快速合成的文本驱动3D人体运动生成,在KIT和HumanML3D数据集上达到先进的抖动和FID性能。
2025-04-25 cs.GR cs.LG
Cartan flow matching
Mathematical Institute, University of Heidelberg(海德堡大学数学研究所);Department of Pharmacy and Biotechnologies, University of Bologna(博洛尼亚大学药学与生物技术系)
研究针对黎曼对称空间的流匹配训练问题,提出Cartan flow matching框架,利用对称空间代数结构线性化问题,避免测地插值路径构造,以实格拉斯曼流形为例验证应用。
2026-08-28 cs.AI cs.LG
Mixed Continuous and Categorical Flow Matching for 3D De Novo Molecule Generation
University of Pittsburgh(匹兹堡大学)
本文提出FlowMol,一种用于3D从头分子生成的流匹配模型,通过将流匹配扩展到分类数据并比较SimplexFlow与简化方法,实现了优于先前流匹配方法的性能,同时引发了对先验分布设计的思考。
2024-04-30 cs.LG q-bio.BM
Flow Matching with Uncertainty Quantification and Guidance
MIT(麻省理工学院)
本文提出UA-Flow,通过预测速度场和异方差不确定性提升流匹配生成质量,实验表明其不确定性信号更符合样本保真度,且不确定性指导进一步提升生成质量。
2026-10-15 cs.CV cs.LG
Interpreting diffusion score matching using normalizing flow
University of Cambridge(剑桥大学);Imperial College London(帝国理工学院)
评分匹配(SM)及其相关的Stein差异(SD)在模型训练和评估方面取得了巨大的成功。然而,最近的研究表明,它们在处理某些类型的分布时存在局限性。一种可能的解决方案是将原始分数匹配(或Stein差异)与扩散矩阵合并,这被称为扩散分数匹配(DSM)(或扩散Stein差异(DSD))。然而,缺乏对扩散的解释限制了其在简单分布和手动选择矩阵中的使用。在这项工作中,我们计划通过使用归一化流解释扩散矩阵来填补这一空白。具体来说,我们从理论上证明,DSM(或DSD)是等价于原始的分数匹配(或斯坦差异)的归一化流,其中的扩散矩阵是流的雅可比矩阵的逆定义的变换空间中评估。此外,我们还建立了它与黎曼流形的联系,并进一步将其推广到连续流,其中DSM的变化由一个常微分方程表征。
2021-07-21 cs.LG stat.ML
Value Gradient Guidance for Flow Matching Alignment
The Chinese University of Hong Kong (Shenzhen)(香港中文大学(深圳));University of Tübingen(图宾根大学);Microsoft Research(微软研究院);The Chinese University of Hong Kong(香港中文大学);Mila – Quebec AI Institute(魁北克AI研究所)
VGG-Flow通过价值梯度指导实现流匹配模型的高效微调与先验保留对齐。
2026-03-03 cs.CV 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
Topological Flow Matching
University of Oxford(牛津大学);TU Wien(维也纳技术大学);AITHYRA
提出拓扑流匹配,通过拉普拉斯漂移增强参考过程,在保留流匹配稳定性和无模拟目标的同时,捕捉底层域拓扑结构,适用于脑fMRI、洋流等结构化数据。
2026-06-16 cs.AI cs.LG stat.ML
PnP-Flow: Plug-and-Play Image Restoration with Flow Matching
ENS de Lyon(里昂高等师范学院);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所);LIP(计算机并行实验室)
本文提出PnP-Flow算法,结合即插即用框架与流匹配模型,通过交替梯度下降、重投影和去噪解决成像逆问题,在去噪、超分、去模糊和修复任务上超越现有方法。
2025-09-09 cs.CV cs.LG
A Theory on Flow Matching with Neural Networks
Princeton University(普林斯顿大学);The University of Hong Kong(香港大学);Northwestern University(西北大学)
本文为神经网络参数化的条件速度场流匹配建立了理论基础,证明了过参数化两层ReLU网络中梯度下降的收敛性,推导了条件速度场匹配目标的泛化界,并提供了生成样本的Wasserstein距离保证。
2026-06-08 cs.AI cs.LG
Laplacian Multi-scale Flow Matching for Generative Modeling
Georgia Institute of Technology(佐治亚理工学院)
本文提出拉普拉斯多尺度流匹配框架,通过并行处理多尺度表示提升图像生成质量与效率,实现高分辨率生成的同时降低计算开销。
2026-02-23 cs.CV cs.LG
Variational Flow Matching for Graph Generation
UvA-Bosch Delta Lab(UvA-Bosch Delta实验室);University of Amsterdam(阿姆斯特丹大学)
本文将流匹配重新表述为变分推断并提出VFM框架,据此开发了面向类别数据的CatFlow方法,在图与分子生成任务上达到或超越现有最优模型。
2025-08-15 cs.LG stat.ML
FlowRefiner: Flow Matching-Based Iterative Refinement for 3D Turbulent Flow Simulation
University of Alabama(阿拉巴马大学);University of Pittsburgh(匹兹堡大学)
本文提出FlowRefiner方法,通过确定性ODE修正替代随机去噪,统一回归速度场目标,引入解耦的sigma调度,实现小噪声下的稳定精炼,实验表明在复杂多尺度湍流中取得最佳自回归预测精度和物理一致性。
2026-04-25 cs.LG physics.flu-dyn
Hierarchical Rectified Flow Matching with Mini-Batch Couplings
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出在分层整流流匹配中引入小批量耦合机制,以逐步调整不同层级速度分布的复杂度,并通过合成数据与图像数据实验验证了该方法的有效性。
2025-07-17 cs.CV cs.LG
Weighted Adjoint Matching: Finetuning Flow Matching Models with Time-Dependent Control Cost
Inria, Ecole Normale Supérieure, PSL Research University(法国国家信息与自动化研究所,巴黎高等师范学院,PSL研究大学)
该研究提出加权伴随匹配方法,通过对控制代价施加时变权重微调流匹配模型,在高斯混合与MNIST实验中实现了奖励与模式平衡的更优权衡。
2026-10-15 cs.LG stat.ML
Drift Flow Matching
University of California, Irvine(加州大学伊万斯堡分校);University of Virginia(弗吉尼亚大学);University of Alabama at Birmingham(阿拉巴马大学伯明翰分校);Northeastern University(东北大学)
本文提出Drift Flow Matching框架,结合漂移生成模型与基于流的迭代生成方法,实现高效生成与多步细化,提升生成质量与效率适应性。
2026-05-17 cs.AI cs.LG
Flow to Learn: Flow Matching on Neural Network Parameters
University of Toronto(多伦多大学);University of Tokyo(东京大学)
针对图像领域上下文学习滞后问题,提出FLoWN流匹配模型,在潜在空间上以上下文数据为条件生成神经网络参数,实现元学习,并在分布内外任务上表现优异。
2025-04-19 cs.AI cs.LG
Coupled Flow Matching
University of Michigan(密歇根大学);Northwestern University(西北大学)
CPFM 通过耦合流匹配整合可控降维与高保真重建,保留残差信息,实现语义丰富的嵌入和更优的重建性能。
2025-10-27 cs.LG stat.ML
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
Purrception: Variational Flow Matching for Vector-Quantized Image Generation
Purrception结合连续方法的几何意识与离散监督的分类监督,通过学习代码本索引的类别后验和连续嵌入空间中的速度场,实现对潜在代码的不确定性量化和温度控制生成。
2026-03-14 cs.AI cs.CV cs.LG
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
Flow-ERD: Agent-type Aware Flow Matching With Entropy-Regularized Distillation for Diverse Traffic Simulation
NAVER LABS Corp.(NAVER实验室公司)
为解决交通模拟中多样性未被充分探索的问题,提出Flow-ERD模拟器,其核心方法是智能体类型感知流匹配与熵正则化蒸馏,能联合追求现实性和多样性,在测试基准中排名第一,主导帕累托前沿。
2026-10-26 cs.LG cs.RO
Probabilistic Inversion with Flow Matching
Institute of Geophysics and Geoinformatics, TU Bergakademie Freiberg(弗莱贝格工业大学地球物理与地理信息研究所)
将生成式AI中的流匹配方法应用于地球物理概率反演,通过两个案例验证其在简单和复杂速度模型中的有效性。
2026-07-01 cs.LG math.PR physics.geo-ph
CaLMFlow: Volterra Flow Matching using Causal Language Models
Yale University(耶鲁大学);Idaho State University(爱达荷州立大学)
本研究提出CaLMFlow框架,将流匹配转化为Volterra积分方程并建模为序列任务,用因果语言模型实现连续数据生成,在多数据集上表现优于传统方法,为生成建模提供新范式。
2024-10-03 cs.AI cs.LG q-bio.QM
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
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
Generalized Wasserstein Flow Matching: Nested Couplings for Point Cloud Generation
Institut für Mathematik, Technische Universität Berlin, Germany(数学研究所,柏林技术大学,德国)
本文提出广义Wasserstein流匹配方法,通过耦合外层和内层运输计划扩展流匹配框架,结合切线和线性Wasserstein距离降低计算成本,实现概率测度空间中的生成建模。
2026-10-27 cs.LG math.OC math.PR
Flow Matching and Diffusion Models via PointNet for Generating Fluid Fields on Irregular Geometries
Stanford University(斯坦福大学)
通过PointNet生成不规则几何上流场的流匹配与扩散模型,提升流体预测精度和鲁棒性。
2026-01-11 cs.CV cs.LG physics.comp-ph
A Flow Matching Framework for Neural Representational Dissimilarity
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出流匹配框架统一神经表征差异性度量,将多种距离视为不同速度约束下的杰弗里斯散度,并支持新度量设计。
2026-09-28 cs.AI cs.IT cs.LG
On the minimax optimality of Flow Matching through the connection to kernel density estimation
Ruhr University Bochum and Karlsruhe Institute of Technology(博鲁姆鲁尔大学和卡尔斯鲁厄理工学院)
本文通过将流匹配与核密度估计联系起来,证明了流匹配在Wasserstein距离下的最优收敛速率,并展示了其在高维设置中的理论基础。
2026-10-30 cs.LG math.ST stat.ML
Transition Flow Matching
University of California, Irvine(加州大学尔湾分校)
本文提出直接学习过渡流的新方法,通过全局量支持单步或任意时间点生成,并与均速流建立理论联系。
2026-03-16 cs.AI cs.CV cs.LG
Better Source, Better Flow: Learning Condition-Dependent Source Distribution for Flow Matching
New York University(纽约大学);KAIST AI(韩国科学技术院人工智能实验室)
本文提出在流匹配框架中学习条件依赖的源分布,通过方差正则化和源-目标方向对齐,显著提升文本到图像生成的速度和质量。
2026-05-30 cs.AI cs.CV cs.LG
ConFlow: Constraints-Guided Learning with Flow Matching for Motion Generation
LS Wiiri Robot Innovation Center(LS维里机器人创新中心);Technical University of Munich(慕尼黑工业大学);Volkswagen Group(大众集团)
研究针对机器人运动生成中约束与数据不匹配问题,提出ConFlow框架,将约束信息纳入训练目标,用条件高斯过程解决设计规范,用不可行演示作负监督,实验表明其能降低碰撞率、提高轨迹质量,弥合训练与推理差距。
2026-07-17 cs.AI cs.LG cs.RO
Temporal Pair Consistency for Flow Matching
时间对一致性(TPC)通过在相同概率路径上耦合配对时间步长的速度预测,减少流匹配中的梯度方差,提升样本质量和效率。
2026-11-09 cs.AI cs.CV cs.LG
Score Distillation of Flow Matching Models
Apple(苹果公司)
本文提出了一种适用于文本到图像流匹配模型的分数蒸馏方法,通过统一高斯扩散和流匹配模型,实现了高效的生成加速。
2025-12-03 cs.AI cs.CV cs.LG
On Flow Matching KL Divergence
Center for Foundation Models and Generative AI, Northwestern University(基础模型与生成式人工智能中心,西北大学);Department of Computer Science, Northwestern University(计算机科学系,西北大学);Department of Statistics and Data Science, Northwestern University(统计与数据科学系,西北大学)
本文推导了流匹配分布近似的KL散度非渐近上界,证明其在TV距离下具有近乎极小极大最优的统计效率,可与扩散模型相比。
2025-11-07 cs.AI cs.CV cs.LG
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
Stable Autonomous Flow Matching
Stockholm University(斯德哥尔摩大学);KTH Royal Institute of Technology(瑞典皇家理工学院)
本文针对物理稳定数据,将控制理论中的随机稳定性工具应用于流匹配生成模型,刻画了适用模型空间,并通过两个示例验证了理论结果。
2024-02-08 cs.AI cs.LG cs.SY
Reinforcement Learning for Flow-Matching Policies
Department of Electrical Engineering and Computer Sciences University of California, Berkeley(电气工程与计算机科学系 加州大学伯克利分校)
本文研究如何用强化学习训练流匹配策略以超越次优演示,提出RWFM和GRPO两种方法,并在模拟独轮车任务中验证其相比模仿学习流匹配可降低50%至85%成本。
2025-07-20 cs.LG