DDPM vs Flow Matching: 建模与训练差异?

建模目标

DDPM 定义逐步加噪的前向过程，并学习反向条件分布或等价的噪声/score 参数化。训练时可由闭式边缘 q(x_t|x_0) 在随机 t 直接构造噪声样本。

Flow Matching 先选一条连接源分布与目标分布的概率路径，再回归使该路径满足连续性方程的向量场；生成时积分 ODE。Conditional Flow Matching 可用条件路径上的目标速度训练，而网络学到的是给定 x_t,t 后的边缘化条件期望。

不能混同的边界

• DDPM 的原始反向链可随机采样，也可使用 DDIM 或 probability-flow ODE 做确定性采样。
• Flow Matching 的某条条件路径可以是直线，但不同配对边缘化后的向量场不保证轨迹都直，也不保证单步生成。独立线性配对也不自动等于最优传输。
• 确定性 ODE 不等于没有多样性：从不同初始噪声出发仍可得到不同样本。
• 速度取决于求解器函数评估次数、误差容忍度、模型结构和蒸馏，而不是“随机一定慢、确定一定快”。

工程比较应固定模型容量、训练数据、采样预算和质量指标，再报告 NFE、延迟、稳定性及多样性。