5. 概率路径与插值:从直线运动到最优传输
在前面的章节中,我们已经知道,Flow Matching 想要学习一个随时间变化的向量场,让大量样本从一个简单的源分布逐渐移动到复杂的数据分布。
但是这里马上会遇到一个非常关键的问题:
这些样本到底应该沿着什么路径移动?
例如,我们希望把一团随机噪声逐渐变成人脸图像。可以让每个噪声点沿直线移动,也可以让它绕一点路;可以在途中加入随机扰动,甚至还需要考虑:数据本身是否生活在一个弯曲的几何空间中?
不同的路径,会直接影响:
- 向量场是否容易学习;
- ODE 是否容易数值求解;
- 生成过程是否稳定;
- 最终生成质量;
- 推理时需要多少 ODE 步数。
因此,概率路径(probability path)的设计,是 Flow Matching 的核心问题之一。
5.1 先理解什么叫“概率路径”
5.1.1 从一个点的运动开始
先不考虑概率分布。
假设一个小球一开始位于 x0x_
订阅专栏 解锁全文
183


、高斯插值路径】【先尝试线性插值,看效果如何;若不够好,尝试高斯插值】&spm=1001.2101.3001.11974&articleId=149710616&d=1&t=3&u=c89ce172a9af48d88ae1d032bf4c6a62)

被折叠的 条评论
为什么被折叠?



