Optimal Flow Matching: Learning Straight Trajectories in Just One Step

最近几年，流匹配方法在生成建模方面得到了迅速发展。社区追求的一个有趣的特性是能够学习到具有直线轨迹的流，实现最优输运（OT）位移。直线轨迹对于快速集成所学习的流路径至关重要。不幸的是，大多数现有的流直线化方法基于非平凡的迭代过程，在训练过程中积累误差或利用启发式的小批量OT近似。为了解决这个问题，我们开发了一种新的最优流匹配方法，可以在一个流匹配步骤中恢复二次成本的直线OT位移。

本论文旨在解决流匹配方法在生成建模中的问题，特别是流的路径不直的问题，通过提出一种新的最优流匹配方法来实现直线路径的最优传输位移。

本文提出了一种新的最优流匹配方法，可以在一步中恢复二次成本的直线最优传输位移，避免了现有方法中迭代累计误差或利用启发式小批量最优传输近似的问题。

本文的亮点在于提出了一种新的最优流匹配方法，可以实现直线路径的最优传输位移，避免了现有方法中的问题。实验结果表明，该方法在多个数据集上都取得了优秀的性能，并且开源了代码。这个工作可以为生成建模领域提供新的思路和方法。

最近在这个领域中，还有相关研究，如《Coupling-Enhanced Differentiable Generative Models》、《Flow++: Improving Flow-Based Generative Models with Variational Dequantization and Architecture Design》等。