用于一步生成建模的无 ODE 神经流匹配

扩散和流匹配模型通过学习与时间相关的向量场来生成样本，这些向量场的积分将噪声传输到数据，在推理时需要数十到数百次网络评估。相反，我们直接学习传输图。我们提出了最优传输神经流匹配（OT-NFM），这是一种无常微分方程的生成框架，它用神经流参数化流图，从而通过单次前向传递实现真正的一步生成。我们表明，朴素的流图训练会遭受均值崩溃，其中不一致的噪声数据配对将所有输出推向数据均值。我们证明一致的耦合对于非退化学习是必要的，并使用具有可扩展小批量和在线耦合策略的最佳传输配对来解决这个问题。综合基准​​和图像生成任务（MNIST 和 CIFAR-10）的实验展示了具有竞争力的样本质量，同时减少了对单个网络评估的推断。