---
title: "流匹配（Flow Matching）"
slug: flow-matching
language: zh-TW
source: https://aiterms.tw/terms/flow-matching
updated_at: 2026-06-22
tags: [生成式AI, 深度學習, 機器學習, 擴散模型]
ipas_term: false
---

# 流匹配（Flow Matching）

一種生成模型訓練方法，通過學習光滑的向量場使數據從噪音流向目標分佈，相比擴散模型具有更快的推理速度。

## 完整說明

流匹配（Flow Matching）是一種近期提出的生成模型框架，通過訓練模型學習一個向量場，使得數據點可以沿著這個向量場的軌跡從噪音分佈流向目標數據分佈。與擴散模型逐步去噪不同，流匹配可以實現更少步數或單步生成。流匹配的關鍵思想是利用最優傳輸理論，找到一個最優的軌跡和向量場，使得生成過程高效且穩定。流匹配代表了生成建模領域向更高效、更理論化方向的演進。

## 常見問題

### 流匹配相比擴散模型為什麼推理更快？

流匹配推理更快的根本原因是它學習的向量場更光滑、更直接。擴散模型需要 1000 步的去噪過程，每一步都是一個小的修正。流匹配通過學習直接的軌跡，可以用大步長的積分器快速到達目標。在極端情況下，流匹配可以實現單步生成：給定初始噪音，一次前向傳播就能生成最終樣本。這對實時應用至關重要。此外，流匹配的軌跡可以根據最優傳輸理論優化，確保向量場的方向始終指向目標分佈，避免了擴散模型中可能存在的繞路。理論上，流匹配可以用最少的步數完成生成任務。

### 流匹配的訓練目標為什麼比擴散模型簡單？

流匹配的條件流匹配（CFM）損失函數直接比較預測的向量場和真實的向量場。當使用直線軌跡時，真實向量場有簡單的閉式解：x_1 - x_0（從起點到終點的方向）。這使得訓練非常直接：給定一對初始噪音 x_0 和數據樣本 x_1，向量場只需預測它們之間的差。相比之下，擴散模型的訓練需要考慮複雜的噪音調度、時間步的不同噪音水平等。流匹配的簡潔性使得訓練更穩定、更容易調試、更容易並行化。同時，簡潔的目標函數也降低了超參數調整的複雜性。

### 流匹配能應用於所有類型的數據嗎？

流匹配的框架是通用的，理論上可以應用於任何類型的數據。然而，實際應用的成功取決於幾個因素。首先，需要定義合適的先驗分佈和軌跡。對於圖像，高斯先驗和直線軌跡效果很好。對於其他數據類型（如文本、圖表、時間序列），可能需要設計特定領域的先驗和軌跡。第二，向量場的參數化（即網路架構）需要適應數據的特性。第三，某些應用（如離散數據）可能需要額外的修改，如離散化或編碼。在實踐中，流匹配已被應用於圖像、視頻、音頻和 3D 數據，並展現了良好的性能。隨著研究的深入，流匹配的應用範圍仍在擴大。

---

來源：https://aiterms.tw/terms/flow-matching
快查頁：https://aiterms.tw/terms/flow-matching
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-flow-matching