近期我们针对Flow Matching前沿顶会领域的前沿成果进行了深度整合，从中筛选出20篇很有参考价值的论文，收录了ICLR、NeurIPS等顶会顶刊上的相关工作，并配套整理了开源代码实现。
这些论文基本覆盖了当前主流方法与技术瓶颈，特别适合正在准备论文的朋友，无论你是想找创新突破口、设计课题方案，还是想复现经典模型，都能提供实质性帮助。
扫描下方二维码，回复「流匹配 」
免费获取全部论文合集及项目代码
EXPLORING CROSS-MODAL FLOWS FOR FEW-SHOT LEARNING
Flow-GRPO:Training Flow Matching Models via Online RL
扫描下方二维码，回复「流匹配 」
免费获取全部论文合集及项目代码
Contrastive Flow Matching
内容：本文提出对比流匹配ΔFM，在标准流匹配损失基础上增加对比正则项，在每个训练批次内部采样负样本，最大化不同条件下流向量之间的差异，以此强制各类条件对应的生成流轨迹保持区分度，该模块可即插即用，能够和REPA表征对齐、无分类器引导CFG相结合，在不引入大量额外计算开销的前提下，改善条件生成中流轨迹重叠、生成结果平均化的问题，提升生成图像质量，同时加快训练收敛并减少推理阶段去噪步数。
FusionFM: All-in-One Multi-Modal Image Fusion with Flow Matching
内容：本文提出FusionFM一体化多模态图像融合框架，将图像融合建模为源图像域到融合图像域的直接概率传输，采用流匹配学习条件向量场实现高效推理，针对缺少真值融合图像的问题，收集多个先进模型输出作为先验，依靠任务感知选择函数筛选可靠伪标签，再使用分治策略的Fusion Refiner模块分解并增强伪标签的退化分量，同时结合弹性权重巩固与经验回放两种增量学习机制，分别从参数正则化与样本回放层面缓解多任务训练中的灾难性遗忘，实现多类图像融合任务的兼容，模型整体参数量小且推理速度快。
扫描下方二维码，回复「流匹配 」
免费获取全部论文合集及项目代码
