两种主流生成模型Flow Matching和Diffusion有啥区别？ 从结果上看，两种方法都能生成目标图案，比如一个“笑脸”，但过程却有显著差异，在【图1】中： - 图像左侧是初始状态，像一个模糊的蓝色团块。 - 图像右侧是目标分布，也就是我们想生成的图案，比如有“眼睛”和“嘴巴”的笑脸。 红色粒子代表从起点出发的数据点，它们如何移动，体现了模型生成的“路径”。 Flow Matching（流匹配）： - 轨迹线平滑、直接，看起来像被“规划好路线”的导航。 - 这是因为Flow Matching训练的是一个连续的向量场，告诉粒子“每一步往哪里走最合适”。 - 这里用的是Euler采样器，结果就是非常光滑的迁移。 Diffusion（扩散模型）： - 路径呈现出明显的“抖动”，中间经历了不少波折。 - 实际上用的是 DDPM（Denoising Diffusion Probabilistic Model），它本质上是在高斯噪声里一步步“去噪”，过程充满随机性。 - 虽然最终也能收敛到目标分布，但生成路径就显得更“混沌”。 此外，展示这个过程的可视化工具，支持选择不同采样器，还可以控制时间轴。【图2】 感兴趣的小伙伴可以自己尝试一下：-Explorer
