待验证50% 置信事实精确时间
Flow Matching通过学习确定性速度场将噪声分布连续映射到数据分布，Stable Diffusion 3和Flux均采用此框架
1
来源数
50%
置信度
长期有效
时效性
2026/7/15
首次发现
来源
相关事实
已验证流匹配（Flow Matching）由Lipman等人于2022年提出，直接学习将噪声分布映射到数据分布的确定性ODE流82% 相似待验证Stable Diffusion 3和Flux等文生图模型采用Flow Matching框架80% 相似待验证Flow matching是一种生成模型训练方法，直接学习从噪声分布到数据分布的确定性ODE路径，定义线性插值路径xt=(1-t)x₀+tx₁，神经网络学习预测该路径上每一点的速度向量76% 相似已验证Stable Diffusion基于潜在扩散模型（Latent Diffusion Model），通过在压缩的潜在空间中进行去噪过程来生成高质量图像71% 相似待验证扩散模型的数学本质是基于随机微分方程和得分匹配理论，支撑着Stable Diffusion、DALL-E等图像生成系统68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/518182API
curl https://kongchang.com/api/v1/knowledge/claims/518182MCP
get_claim(id=518182)