Flow Matching

Flow matchingは、データポイントの連続的な時間的流れを直接モデリングすることで、単純なノイズ分布を複雑なデータ分布に変換することを学習する生成モデリングフレームワークです。複雑な多段階のノイズ除去プロセスに依存する従来の方法とは異なり、Flow matching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、生成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実現します。事前状態から目的のデータ状態へ確率密度を押し出すベクトル場を学習することで、標準的な拡散モデルに対する堅牢な代替手段を提供します。

コアコンセプトとメカニズム

フローマッチングの核心は、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、生成プロセスを簡素化することです。この手法は連続正規化フローから着想を得ていますが、正確な尤度を計算する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的な要素は、空間と時間の任意の与えられた点に対して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、データポイントが現実的なサンプルになるためにどの方向に移動すべきかを指示します。
• 最適輸送: フローマッチングは、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ことがよくあります。移動距離を最小化することで、モデルはより速い推論時間を達成できます。最適輸送のような技術は、これらの直線経路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。
• 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、生成されるコンテンツを正確に制御でき、これは最新のテキストから画像生成およびテキストから動画生成パイプラインにおける重要な機能です。

Flow Matching vs. 拡散モデル

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の目的を果たしますが、その数学的定式化と学習効率において異なります。

• 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る確率微分方程式 (SDE) に基づいており、その後このプロセスを逆転させることを学習します。逆経路はしばしば曲線的であり、inference時に多くの離散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、ノイズとデータ間の軌道を本質的に「まっすぐ」にします。より直線的な経路を持つ決定論的常微分方程式（ODE）を学習することで、フローマッチングはサンプリング中のステップサイズを大きくすることを可能にします。これにより、品質を犠牲にすることなく生成速度が向上し、リアルタイム推論シナリオにおける主要なボトルネックに対処します。

実際のアプリケーション

フローマッチングの効率性と高忠実度により、様々な最先端AI分野で急速に採用されています。

• 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強化する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で、これらのモデルはStable Diffusionのような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リスティックな画像を生成できます。この効率性は、消費者向けハードウェアに生成ツールを展開する上、またはデータ拡張のためにUltralytics Platform内で展開する上で重要です。
• 生成型音声とオーディオ: 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テキスト読み上げ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ルするため、詳細な3D物体検出データセットや仮想環境用アセットの作成に適しています。

フローマッチングの概念の実装

フローマッチングは複雑なトレーニングループを伴いますが、ノイズを変換する概念は基本的なtensor操作を使用して視覚化できます。以下の例は、フローマッチングベクトル場がデータを誘導するのと同様に、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}")

将来の方向性と研究

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にスケールアップ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理解を向上させるために、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ビデオ生成パイプラインに統合することで、より高い時間的整合性が実現され、AI生成ビデオでしばしば見られる「ちらつき」が解消されつつあります。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された基盤モデルへの広範な業界トレンドと一致しています。