Flow Matching

フローマッチングは、時間の経過に伴うデータポイントの連続的な流れを直接モデル化することにより、単純なノイズ分布を複雑なデータ分布へと変換することを学習する、生成モデリングのフレームワークです。複雑で多段階のノイズ除去プロセスに依存する従来の手法とは異なり、フローマッチングは、ソース分布（ノイズ）とターゲット分布（データ）の間に、よりシンプルで直接的なパス（多くの場合、直線）を定義します。このアプローチにより、generative AI モデルのトレーニングが大幅に効率化され、収束の高速化、安定性の向上、および高品質な出力がも実現します。事前状態から目的のデータ状態へと確率密度を押し上げるベクトル場を学習することで、標準的な diffusion models に代わる堅牢な選択肢を提供します。

中心的な概念とメカニズム#

flow matchingの本質は、周辺確率だけでなくデータ変換の速度に焦点を当てることで、生成プロセスを単純化することにあります。この手法は、連続正規化フロー（continuous normalizing flows）から着想を得ていますが、正確な尤度を計算するための高い計算コストを回避しています。

• Vector Fields: フローマッチングの中心的な構成要素は、空間と時間内の任意のポイントにおける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に移動すべきかを指示します。
• Optimal Transport: フローマッチングは多くの場合、ある分布から別の分布へ質量を転送する最も効率的なパスを見つけることを目的としています。移動距離を最小限に抑えることで、モデルはより高速な推論時間を達成できます。optimal transport のようなテクニックは、これらの直線のパスを定義するのに役立ち、ノイズが幾何学的に一貫した方法でデータにマッピングされることを保証します。
• Conditional Generation: 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ることができます。これにより、生成されたコンテンツを正確に制御できるようになり、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ります。

Flow MatchingとDiffusion Modelsの比較#

フローマッチングと diffusion models はどちらも生成モデリングの目的を果たしますが、数学的な定式化とトレーニングの効率性が異なります。

• Diffusion Models: これらのモデルは通常、データにノイズを徐々に加えてからこのプロセスを逆転させることを学習する確率微分方程式（SDE）に依存しています。逆方向のパスは多くの場合曲がっており、inference 時に多くの離散的なステップを必要とするため、生成が遅くなる可能性があります。
• Flow Matching: このアプローチは、本質的にノイズとデータの間の軌道を「まっすぐにします」。より直線的なパスを持つ決定論的な常微分方程式（ODE）を学習することにより、フローマッチングではサンプリング時のより大きなステップサイズが可能になります。これは、品質を犠牲にすることなく生成速度の向上に直接つながり、real-time inference シナリオにおける大きなボトルネックに対処します。

実社会での応用#

flow matchingの効率性と高忠実度は、さまざまな最先端のAI領域で急速に採用される原動力となっています。

• High-Resolution Image Synthesis: フローマッチングは、最先端の画像ジェネレーターを動かすためにますます使用されています。より直線的な軌道を可能にすることにより、これらのモデルは、Stable Diffusion などの以前のアーキテクチャと比較して、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、コンシューマーハードウェア上や、データ拡張のための Ultralytics Platform 内で生成ツールを展開する上で不可欠です。
• Generative Voice and Audio: speech synthesis の領域において、フローマッチングは非常に自然な人間の音声の生成を可能にします。自己回帰モデルよりも効果的にピッチとトーンの連続的な変化を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 Point Cloud Generation: 3D アセットの生成には、複雑な空間関係のモデリングが必要です。フローマッチングは高次元に効果的にスケーリングするため、仮想環境用の詳細な 3D object detection データセットやアセットの作成に適しています。

Flow Matchingの概念の実装#

flow matchingには複雑な学習ループが含まれますが、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視覚化できます。以下の例では、flow matchingのベクトル場がどのようにデータをガイドするかと同様に、方向ベクトルを使用してノイズ分布からターゲットに向かって点を移動させる簡略化された概念を示しています。

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し続けており、研究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とスケーリングすることに焦点を当てています。研究者たちは、生成タスクにおける意味的理解を向上させるために、フローマッチングを large language models と組み合わせる方法を調査しています。さらに、動画生成パイプラインへのフローマッチングの統合は、AI 生成動画によく見られる「ちらつき」に対処し、より時間的な一貫性への道を開いています。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、統一された foundation models に向けた、より広範な業界のトレンドと一致しています。