フローマッチングは、単純な確率分布から目標とするデータ分布への変換経路を効率的に学習する生成モデルの学習手法です。従来の拡散モデルと比べて直線的かつ安定した経路を構築できるため、高品質な画像や音声の生成をより少ない計算ステップで高速に実行できるアプローチとして注目されています。
フローマッチングとは
フローマッチングとは、ノイズなどの基準分布から目的のデータ分布へとデータを連続的に変化させるベクトル場を、直接的かつ安定に学習する生成モデルの手法です。
詳しく解説
従来の生成モデルである連続時間正規化流や一部の拡散モデルでは、複雑なシミュレーションや確率微分方程式に基づく学習が必要であり、計算負荷や学習の不安定さが課題でした。フローマッチングは、データ点とノイズの間の軌跡を規定し、その軌跡に沿った速度場（ベクトル場）を直接回帰学習することで、シミュレーションを行わずに効率的な学習を可能にします。特に最適輸送の考え方を導入することで、ノイズからデータへの変換経路を直線的に設計でき、推論時に解く常微分方程式の数値計算ステップ数を大幅に削減できます。
具体例・使われ方
画像生成や音声合成において、ランダムなノイズから段階的に鮮明なデータを復元するプロセスで利用されます。例えば最新の大規模な画像生成AIモデルなどでは、従来のノイズ除去プロセスに代わってフローマッチングに基づくアプローチが採用されており、少ない計算回数で高品質な描画を実現するイメージです。
似た用語との違い
拡散モデルは主に確率的なノイズ付加と除去のプロセスを学習しますが、フローマッチングは決定論的な常微分方程式に基づく連続的な変換経路を直接学習します。これにより、最適輸送理論を組み合わせた効率的な軌跡設計が容易になり、推論速度の向上につながるという違いがあります。
注意点
フローマッチングは推論ステップを削減しやすい特徴を持ちますが、モデル自体のパラメータ規模に応じた計算負荷そのものがなくなるわけではありません。また、学習時の経路設計やサンプリング手法の設定によって生成品質や多様性が左右されるため、適切なハイパーパラメータの調整が必要です。