扩散模型中，Flow Matching的训练方式相比于 DDPM 训练方法有何优势？连续时间采样跟离散时间步采样相比又有什么优势呢？

Flow Matching（流匹配）和DDPM（去噪扩散概率模型），

好比是画画，DDPM属于一步步的擦除，一点点的改画；而流匹配更像直接上元素构建一张图画。

DDPM的逻辑是把数据一步步加噪，变成纯噪声，然后训练模型反过来预测每一步加的噪声，最后一步步去噪生成数据，问题是中间步骤要是学错了，最后生成的就可能不符合要求，干的多有可能错的多。

流匹配的思路不一样，直接学向量场，即数据的流动方向。以真实图片和高斯噪声（噪声分布）划分为两个池子，流匹配属于中间的管道，属于精准插管从B池流向A池（让数据点沿规律流动），也就是说，模型只要学会了从B到A这个方向，等同坐上直通车，速度直达，不用像DDPM那种漫长的一步步。

流匹配和DDPM两者相比的优势

训练变简单了，目标精准

DDPM需要处理不同时间步的噪声分布，每个时间步的模型输出可能还得调整，而流匹配直接优化个统一的向量场，目标单一且精准，工作高效起来了。

采样更快了，连续流动

DDPM生成一张图可能需要50 - 100步迭代，流匹配有时候只需要几步甚至一步就能搞定，连续流动的优势就出现了，不用分步近似，工作时间变少了~

质量更稳定，误差变少

离散步骤多了，误差容易累积，每一步去噪稍微不准，最后结果就歪了；流匹配是连续的，流动路径更平滑，误差少，是不是避免了干多错多的内耗问题？

灵活性高，全程可调

想调整生成速度，直接改流动的步长，不用再来一次训练，DDPM改步数可能就得微调，试错的时间增加了。

连续时间采样对比离散时间步采样，孰优？

首先，离散时间好比网速不好看4K电影，缓冲一下跳一帧，每一步的状态需要清楚的；连续时间就好比刷短视频，流畅的画面丝滑的过渡，从从容容地刷完。

然而采样的问题在于，离散采样，步数少没有细节，步数多又慢又累。连续就不分帧，数据直