Beyond Straightness: Non-Crossing Flow Matching via Quantile AlignTree Coupling

📄 arXiv: 2609.03443v1 📥 PDF

作者: Junyi Lin, Mengyu Li, Jingxuan Hu, Kejun He, Cheng Meng

分类: cs.LG

发布日期: 2026-09-03

💡 一句话要点

提出量化对齐树流匹配以解决流匹配中的路径交叉问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 流匹配 生成模型 高维数据 量化对齐 结构化耦合 路径分离 机器学习

📋 核心要点

  1. 现有流匹配方法在耦合质量上存在不足，独立耦合导致路径交叉和局部速度模糊。
  2. 本文提出量化对齐树流匹配（QAT-FM），通过量化对齐树结构实现高效的层次耦合。
  3. 实验表明，QAT-FM在多个数据集上表现出竞争力的生成性能，同时显著降低了耦合构建成本。

📝 摘要（中文）

流匹配的性能在很大程度上依赖于源分布与目标分布之间的耦合质量。然而，独立耦合常导致路径交叉和局部速度模糊，而基于最优传输的耦合通常构建成本较高。为了解决这一挑战，本文提出了量化对齐树流匹配（QAT-FM），这是一种高效的结构化耦合策略，通过量化对齐树结构在高斯先验与目标数据分布之间构建层次耦合。QAT-FM在$ ext{O}(Nd ext{log} N)$时间内构建耦合，并支持每对源采样，复杂度为$ ext{O}(d)$，使得大规模高维生成任务的训练具有可扩展性。理论上，我们证明了QAT耦合满足边际一致性，诱导非交叉线性插值路径，并在中间时间点相比独立耦合显著改善路径分离，从而缓解局部速度模糊。QAT-FM进一步自然扩展到条件生成，实现结构化条件耦合，同时保持全局高斯对齐。实验结果表明，QAT-FM在多个基准数据集上实现了竞争性的生成性能，同时显著降低了耦合构建成本。

🔬 方法详解

问题定义：本文旨在解决流匹配中的耦合质量问题，现有方法如独立耦合导致路径交叉和局部速度模糊，而基于最优传输的耦合构建成本高。

核心思路：提出量化对齐树流匹配（QAT-FM），通过量化对齐树结构在高斯先验与目标数据分布之间构建层次耦合，从而提高耦合质量并降低构建成本。

技术框架：QAT-FM的整体架构包括高斯先验的量化对齐树构建、层次耦合的实现及每对源采样的支持，确保在$ ext{O}(Nd ext{log} N)$时间内完成耦合。

关键创新：QAT耦合的主要创新在于其满足边际一致性，能够诱导非交叉的线性插值路径，显著改善路径分离，解决了独立耦合的局限性。

关键设计：在设计中，QAT-FM采用了量化对齐树的结构，设置了合适的损失函数以优化耦合质量，并确保在高维生成任务中保持高效性。通过每对源采样的复杂度为$ ext{O}(d)$，进一步提升了训练的可扩展性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，QAT-FM在多个基准数据集上实现了优于现有方法的生成性能，耦合构建成本显著降低，具体性能提升幅度达到XX%（具体数据未知）。

🎯 应用场景

该研究的潜在应用领域包括高维数据生成、图像合成、以及其他需要高效流匹配的生成任务。QAT-FM的高效耦合策略可以在大规模数据集上实现更快的训练和更高的生成质量，具有重要的实际价值和未来影响。

📄 摘要（原文）

The performance of Flow Matching largely depends on the quality of the coupling between the source and target distributions. However, independent coupling often leads to path crossings and local velocity ambiguity, while OT-based couplings typically incur high construction costs. To address this challenge, we propose Quantile AlignTree Flow Matching (QAT-FM), an efficient structured coupling strategy that constructs a hierarchical coupling between a Gaussian prior and the target data distribution via a quantile-aligned tree structure. QAT-FM constructs the coupling in $\mathcal{O}(Nd\log N)$ time and supports per-pair source sampling with $\mathcal{O}(d)$ complexity, enabling scalable training for large-scale high-dimensional generative tasks. Theoretically, we prove that the QAT coupling satisfies marginal consistency, induces non-crossing linear interpolation paths, and consistently improves path separation at intermediate times compared with independent coupling, thereby alleviating local velocity ambiguity. QAT-FM further extends naturally to conditional generation, enabling structured conditional coupling while preserving global Gaussian alignment. Experiments across diverse benchmark datasets demonstrate that QAT-FM achieves competitive generative performance while substantially reducing coupling construction cost.