The Generation Phases of Flow Matching: a Denoising Perspective

流匹配方法虽已取得显著成功，但影响其生成质量的因素仍不甚明了。在本研究中，我们采用去噪的视角，设计了一个框架以实证方式探究生成过程。通过建立流匹配模型与去噪器之间的形式化关联，我们为二者在生成与去噪任务上的性能比较提供了统一的基础。这使得我们能够设计出符合原理且可控的扰动手段来影响样本生成，即噪声扰动和漂移扰动。由此，我们获得了关于生成过程中不同动力学阶段的新见解，能够精确刻画去噪器在生成过程的哪个阶段成功或失败，并阐明这一现象为何重要。

Flow matching在生成建模中取得了显著成功，但其生成过程质量的影响因素尚不明确。本文试图探究生成过程中不同因素（如噪声和漂移）如何影响样本生成质量，并验证从去噪视角理解flow matching模型动态行为的假设。这个问题目前尚未被系统研究，具有新颖性。

提出将flow matching模型与去噪器建立形式化联系，引入一个基于去噪视角的分析框架，通过设计原理性且可控的扰动（噪声和漂移）来干预生成过程，从而揭示生成动态中的不同阶段及其成败机制。相比以往黑箱式分析生成模型的方法，该工作首次以受控实验方式揭示flow matching的内在动力学相变。

设计了实证探针框架，在多个数据集（如MNIST、CIFAR-10）上验证了去噪能力与生成质量的关系；发现生成过程存在明显的动态相位划分——早期依赖强去噪、后期易受漂移影响；开源代码促进可复现研究；值得深入探索不同架构去噪器对flow matching训练稳定性的影响，以及如何利用相位特性优化采样效率。

1. Flow Matching as Conditional Denoising: A Probabilistic Perspective (2023) 2. Denoising Diffusion Implicit Models (DDIM, 2021) 3. Score-Based Generative Modeling through Stochastic Differential Equations (2021) 4. On the Connection Between Flow Matching and Denoising Autoencoders (2024) 5. Trajectory-Free Flow Matching via Marginal Transport (2024)