DDPM vs Flow Matching: 采样效率与优缺点?

建模视角

DDPM 定义离散前向马尔可夫加噪过程 q(x_t|x_{t-1})，并学习反向去噪转移。常见简化目标随机采样一个时间步 t，由闭式边缘 q(x_t|x_0) 一次构造 x_t，让网络预测噪声、score 或等价参数；不是每个训练样本顺序跑完一千步。

Flow Matching 在连续归一化流 ODE dx_t/dt=v_t(x_t) 下，预先选择从基分布到数据分布的概率路径，并回归该路径的条件向量场。它可选择 diffusion conditional path，也可选择 OT displacement path 等，不等于只学习直线。

训练与采样

• DDPM 训练通常是随机时间步的 Monte Carlo 估计；经典祖先采样按反向时间步迭代，DDIM、DPM-Solver 等可改变采样步数。
• Flow Matching 训练也随机采 t 回归速度场，不需训练时积分 ODE；采样时用 ODE solver，NFE 由路径、求解器和误差决定。

因此训练时间步数、采样 NFE 和生成延迟必须分开。FM 可能因路径更直而少步，但不保证单步或固定十步。DDPM 也不是只能使用固定一千步采样。