№flowmatching·general
Flow Matching
别名
- 首次出现
- 2026-05-22
- 最近出现
- 2026-06-12
- 累计提及
- 16
§ 01综述
Flow Matching 是生成模型领域近年来的热点方向，其核心思想是通过学习一个时间相关的向量场来将噪声分布平滑地变换为目标数据分布。与扩散模型相比，Flow Matching 通常具有更快的采样速度和更直观的理论框架，近期研究进一步拓展了其应用与性能边界。
近期主要进展
Drift Flow Matching 提出单步与多步生成统一框架：该工作引入“漂移”机制，使模型能在单步与多步生成之间灵活切换，通过控制漂移速率平衡生成质量与速度，为实时应用提供了新途径。(Drift Flow Matching：连接单步与多步生成的新范式)
动态层水印技术用于 Flow Matching 模型版权保护：研究者将随机编码嵌入速度场，使得模型生成的样本携带独特水印，可用于溯源和防伪，且对生成质量影响极小。(Flow Matching模型动态层水印：随机编码嵌入速度场)
Flow-OPD 提出在线策略蒸馏后训练框架：针对 Flow Matching 模型微调成本高的问题，该方法通过在线蒸馏和策略优化，显著提升模型在下游任务中的表现，同时保持生成效率。(Flow-OPD：面向Flow Matching模型的在线策略蒸馏后训练框架)
当前焦点 / 未来观察点
当前，Flow Matching 的研究正向实用化演进：一是如何在保证生成质量的同时实现更快的采样（如 Drift Flow Matching）；二是模型安全与部署方面的创新（如水印技术、高效后训练）。未来，Flow Matching 与扩散模型的竞争与融合、在图像/视频/3D 等领域的落地表现，以及鲁棒性、可控性问题，将成为关注重点。