流量匹配
流匹配是一种训练生成模型的新方法，它可以学习将随机噪声直接传递给实际数据的平滑“速度场”。
概述
It matters because it can match or beat diffusion model quality while generating images in far fewer steps.
深入探讨
流匹配训练模型沿着连续路径将一种概率分布（简单噪声，如高斯分布）传输到另一种概率分布（真实图像）。该模型不是基于噪声的、基于分数的扩散目标，而是直接回归速度场：在每个点和时间，它预测样本应该移动的方向和速度。条件流匹配通过在噪声样本和数据样本之间定义简单的每样本路径（通常是直线），然后训练网络以匹配这些速度，使这一过程变得容易处理。在生成时，您从噪声开始，并将学习到的字段与 ODE 求解器集成。整流流是一种流行的变体，它故意拉直这些路径，因此生成需要很少的求解器步骤。它支持 Stable Diffusion 3 和 Flux 等模型。
技术洞察
核心技巧是条件流匹配损失：不是在整个数据集上计算棘手的边际速度，而是以单个数据点为条件，构建一个简单的插值路径（例如，x_t = (1-t)*噪声 + t*数据），并将网络回归到该路径的已知速度（数据减去噪声）。对许多对进行平均，这可以证明恢复了正确的边缘场。然后采样求解常微分方程，该方程是确定性且平滑的。
战略影响
速度与规模
视觉人工智能可以大规模自动化检查、检测和标记任务。
构建选择
创意团队可以通过更少的手动修改更快地构建概念原型。
团队与工作流程
操作可以使用以前难以处理的图像和视频信号。
流量匹配的未来
流匹配正迅速成为大型图像和视频生成器的默认训练方法，因为更直的概率路径意味着更少的采样步骤和更低的成本。预计整流流式蒸馏将高质量生成推向一两个步骤、实时视频和 3D 合成，以及在一个连续时间框架下与扩散的统一。研究人员还将其扩展到离散数据、机器人行动策略和科学模拟，其中分布之间平稳、可控的传输非常有价值。
现实世界的实施
为最先进的文本到图像模型提供支持，例如使用整流流训练的 Stable Diffusion 3 和 Flux
生成图像的采样步骤比传统扩散少得多，从而降低了计算量和延迟
机器人策略学习，其中流量匹配模型根据观察平滑动作轨迹
受益于直接、几步采样路径的快速视频和 3D 资产生成
风险与防护栏
如果出处不明，肖像权和同意可能会成为法律风险。
模型性能可能因光照、人口统计和环境的不同而有所不同。
除非监控置信阈值，否则误报可能会被忽视。
实施路线图
定义精确度、召回率和错误成本的接受标准。
使用符合实际生产条件的数据进行测试。
为低置信度或高影响力的预测添加人工审核。
跟踪模型漂移并在相机或数据集更改后重新验证。
不断探索
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Flow Matching quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
常见问题
What is Flow Matching?
流匹配是一种训练生成模型的新方法，它可以学习将随机噪声直接传递给实际数据的平滑“速度场”。这很重要，因为它可以匹配或超越扩散模型质量，同时以更少的步骤生成图像。
流匹配模型直接学习预测什么？
流匹配回归一个与时间相关的速度场，描述将样本从噪声传输到数据分布的方向和速度。
如何从经过训练的流匹配模型生成样本？
生成从噪声样本开始，并对学习到的 ODE（速度场）进行数值积分，以得到数据样本。
是什么使得条件流匹配损失易于训练？
通过以一个数据样本为条件并以已知速度构建一条简单的路径（例如直线），原本棘手的边际目标变成了简单的回归。
为什么“整流流”变体能够实现更快的生成？
只需很少的步骤就可以准确地集成更直的路径，从而大大减少采样时网络评估的数量。
哪些现代图像模型是建立在流匹配/校正流的基础上的？
Stable Diffusion 3 和 Flux 采用整流流式训练，这是流匹配受到重视的一个关键原因。