Flow Matching

フローマッチングは、データポイントの時間経過に伴う連続的な流れを直接モデル化することで、単純なノイズ分布を複雑なデータ分布へ変換する方法を学習する生成モデリングのフレームワークです。複雑で多段階のデノイズ処理に依存する従来の手法とは異なり、フローマッチングでは、ソース分布（ノイズ）とターゲット分布（データ）の間に、より単純で直接的な経路（多くの場合は直線）を定義します。このアプローチにより、生成AIモデルのトレーニングが大幅に効率化され、より速い収束、安定性の向上、高品質な出力が実現します。事前状態から望ましいデータ状態へ確率密度を押し進めるベクトル場を学習することで、標準的な拡散モデルに代わる堅牢な手法を提供します。

主要な概念と仕組み#

フローマッチングの本質は、周辺確率だけでなく、データ変換の速度に着目することで生成プロセスを簡素化することにあります。この手法は連続正規化フローから着想を得ていますが、厳密な尤度を計算する際の高い計算コストを回避します。

• ベクトル場: フローマッチングの中心となるのは、空間と時間における任意の点の速度ベクトルを予測するニューラルネットワークです。このベクトルは、現実的なサンプルになるためにデータポイントがどの方向へ移動すべきかを示します。
• 最適輸送: フローマッチングでは、ある分布から別の分布へ質量を輸送する最も効率的な経路を見つけることを目指す場合がよくあります。移動距離を最小化することで、モデルはより高速な推論時間を実現できます。最適輸送などの技術は、こうした直線的な経路の定義に役立ち、ノイズからデータへの写像を幾何学的に一貫した方法で実現します。
• 条件付き生成: Ultralytics YOLO26が入力画像に基づいて検出を条件付けるのと同様に、フローマッチングではクラスラベルやテキストプロンプトに基づいて生成を条件付けできます。これにより、生成コンテンツを正確に制御でき、現代のtext-to-imageおよびtext-to-videoパイプラインにおける重要な機能となっています。

フローマッチングと拡散モデルの比較#

フローマッチングと拡散モデルは、どちらも生成モデリングを目的としていますが、数学的な定式化とトレーニング効率が異なります。

• 拡散モデル: これらのモデルは通常、データに徐々にノイズを加えてから、その過程を逆転させるように学習する確率微分方程式（SDE）に依存します。逆方向の経路はしばしば曲線状になり、推論時に多数の離散ステップを必要とするため、生成速度が低下する可能性があります。
• フローマッチング: このアプローチは、ノイズとデータの間の軌跡を本質的に「直線化」します。より直線的な経路を持つ決定論的な常微分方程式（ODE）を学習することで、フローマッチングはサンプリング時により大きなステップサイズを使用できます。これにより、品質を犠牲にすることなく生成速度を直接向上させられ、リアルタイム推論のシナリオにおける大きなボトルネックに対処できます。

実世界での利用例#

フローマッチングの効率性と高い忠実度により、最先端のさまざまなAI分野で急速に採用が進んでいます。

• 高解像度画像合成: フローマッチングは、最先端の画像生成器を支えるためにますます利用されています。より直線的な軌跡を可能にすることで、これらのモデルは、Stable Diffusionのような従来のアーキテクチャと比べて、より少ないサンプリングステップでフォトリアルな画像を生成できます。この効率性は、コンシューマー向けハードウェア上で生成ツールを展開する場合や、データ拡張のためにUltralytics Platform内で利用する場合に重要です。
• 生成音声とオーディオ: 音声合成の分野では、フローマッチングによって非常に自然な人間の音声を生成できます。自己回帰モデルよりもピッチや音色の連続的な変化を効果的にモデル化できるため、より滑らかで表現力豊かなtext-to-speechシステムにつながります。
• 3D点群生成: 3Dアセットの生成には、複雑な空間的関係のモデル化が必要です。フローマッチングは高次元にも効果的にスケールできるため、詳細な3D物体検出データセットや仮想環境向けのアセットの作成に適しています。

フローマッチング概念の実装#

フローマッチングには複雑なトレーニングループが関係しますが、ノイズを変換するという概念は、基本的なテンソル演算を使用して可視化できます。次の例では、フローマッチングのベクトル場がデータを導く方法になぞらえ、方向ベクトルを使用してノイズ分布内の点をターゲットに向かって移動させる簡略化された概念を示します。

import torch

# Simulate 'noise' data (source distribution)
noise = torch.randn(5, 2)

# Simulate 'target' data means (destination distribution)
target_means = torch.tensor([[2.0, 2.0], [-2.0, -2.0], [2.0, -2.0], [-2.0, 2.0], [0.0, 0.0]])

# Calculate a simple linear path (velocity) from noise to target
# In a real Flow Matching model, a neural network predicts this velocity
time_step = 0.5  # Move halfway
velocity = target_means - noise
next_state = noise + velocity * time_step

print(f"Start:\n{noise}\nNext State (t={time_step}):\n{next_state}")

今後の方向性と研究#

2025年現在、フローマッチングは進化を続けており、研究ではこれらのモデルをさらに大規模なデータセットや、より複雑なモダリティへスケールさせることに焦点が当てられています。研究者は、生成タスクにおける意味理解を向上させるため、フローマッチングと大規模言語モデルを組み合わせる方法を調査しています。さらに、フローマッチングを動画生成パイプラインに統合することで、AI生成動画でよく見られる「ちらつき」に対処し、より高い時間的一貫性を実現する道が開かれています。これは、マルチモーダルタスクをシームレスに処理できる統合型基盤モデルへ向かう、より広範な業界トレンドとも一致しています。