流匹配技术（Flow Matching, FM）是一种近年来在深度概率机器学习领域迅速发展的生成建模范式。它结合了连续正规化流（Continuous Normalizing Flow, CNF）和扩散模型（Diffusion Models, DMs）的某些方面，旨在解决这两种方法的关键问题。
流匹配最初由Yaron Lipman等人于2022年提出，作为一种连续正规化流模型训练框架。与传统的基于扩散的生成模型相比，流匹配具有更高的灵活性和效率，因此受到了学术界和工业界的广泛关注。流匹配通过直接拟合速度场来建立两个概率分布之间的可逆映射，这种方法可以简便地加入物理系统对称性约束。
在具体应用中，流匹配被用于图像生成目标的定义，并且兼容当前扩散模型的训练目标。例如，在Stable Diffusion 3中，整流（rectified flow）就是一种典型的流匹配应用。此外，流匹配还被应用于生成模型的算法框架中，如Consistency Flow Matching（Consistency-FM），通过普通微分方程（ODEs）来实现。
流匹配不仅提高了生成模型的性能，还在图像-文本对齐和高质量生成方面表现出色，超越了标准扩散过程。这种技术的灵活性和高效性使其在生成模型领域成为研究的前沿方向
声明：文章来源于网络，如有侵权请联系删除！