Flow Matching 连续流匹配与最优传输

连续流匹配 (Flow Matching, Lipman et al. 提出) 与最优传输流匹配 (Optimal Transport Flow Matching, OT-FM / Stable Diffusion 3, Flux 核心架构) 是将连续生成模型从复杂的随机扩散方程 (Diffusion SDE) 彻底升华为几何最简直线概率流 (Straight Probability Paths) 的革命性前沿范式；传统扩散模型的加噪与去噪轨迹在连续时间流形上是弯曲、震荡的曲线，导致数值求解 ODE 时必须花费很多细小步长；Flow Matching 核心思想：直接用神经网络回归目标概率路径的时间导数向量场 $v_t(x)$：$\mathcal{L}_{\text{CFM}}(\theta) = \mathbb{E}_{t, q(x_0), p(x_1)} \left[ \|v_\theta(\psi_t(x_0), t) - \dot{\psi}_t(x_0)\|^2 \right]$；在条件最优传输 (Optimal Transport Displacement Interpolation) 下，从噪声 $x_0 \sim \mathcal{N}(0, I)$ 到真实图像 $x_1$ 的插值轨迹是一条严格的直线：$\psi_t(x_0) = (1 - t) x_0 + t x_1$，其目标速度场就是常数向量 $\dot{\psi}_t = x_1 - x_0$；直线轨迹极其平滑，使得模型仅需 4~10 步欧拉法即可极速生成超高清图像。

顶级视觉生成大模型（Flux, SD3）底层扩散架构设计、极速少步生成采样器、连续正则流建模。

传统扩散模型轨迹弯曲导致采样步数长、训练目标非直观；Flow Matching 提供了常数速度场直线轨迹，实现了生成质量与采样速度的数学与物理统一。

详细推导条件流匹配 (Conditional Flow Matching, CFM) 与最优传输插值 $\psi_t(x_0, x_1) = (1 - t)x_0 + t x_1$ 下的目标速度场回归损失？

为什么最优传输 (Optimal Transport, OT) 匹配相比随机独立配对能最小化粒子轨迹的总动态运输能量 (Kinetic Energy $\int \|v_t\|^2 \mathrm{d}t$)？

Diffusion Transformers (DiT / MMDiT): 如何在 Flow Matching 中将视觉 Latent Token 与文本 Token 共同输入双流/单流 Transformer 预测速度场？

从 Flow Matching 到修正流 (Rectified Flow / InstaFlow): 为什么通过 Re-Flow (重新对齐采样轨迹) 可以进一步将直线性提升至 1 步极速生成？

Flow Matching 与连续正则化流 (Continuous Normalizing Flows, CNF) 在精确似然估计 (Exact Likelihood via Hutchinson's Trace Estimator) 中的理论等价性？