概要: 主流のフローメッチング手法は通常、局所速度場の学習に焦点を合わせており、生成時には本質的に複数の積分ステップを必要とする。これに対して、Mean Velocity Flowモデルは局所速度場とグローバルな平均速度との関係を確立し、後者を数学的に根拠のある定式化を通じて学習可能にし、生成を任意の将来時点へ転送できるようにする。本研究では、遷移フローを直接学習する新しいパラダイムを提案する。グローバルな量として、遷移フローは単一のステップでの生成や任意の時点での生成を自然にサポートする。さらに、私たちのアプローチとMean Velocity Flowとの関係を示し、統一された理論的観点を確立する。広範な実験により、私たちの手法の有効性が検証され、私たちの理論的主張を支持する。
遷移フロー・マッチング
arXiv cs.LG / 2026/3/18
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文では、Transition Flow Matching（遷移フロー・マッチング）というパラダイムを提案する。これは、遷移フローを全体量として直接学習し、ワンショット生成または任意時刻での生成を可能にする。
- 生成時に局所的な速度場を学習し、生成過程で複数の積分ステップを必要とする主流のフローマッチング手法と対照的であり、平均速度フロー（Mean Velocity Flow）との理論的関係を確立する。
- 著者らは、遷移フローと平均速度フローを結ぶ統一的な理論的視点を提示し、広範な実験によってその主張を裏付ける。
- 任意の未来時点での生成を可能にすることで、本アプローチは、フローに基づく生成モデルのワークフローを簡素化・高速化する可能性がある。
