本文探讨了基于连续归一化流的生成模型，强调流匹配与扩散路径结合的优势，提升了图像生成的鲁棒性和稳定性。研究提出了一种新型生成模型，能够有效处理不同维度的数据，并在多模态流建模框架中表现优异，尤其在蛋白质共设计任务中。

本文探讨了一种基于连续归一化流的生成模型，结合流匹配方法与扩散路径，提升了训练的鲁棒性和稳定性。通过多种算法优化生成过程，实现高质量样本生成和高效图像合成，尤其在单细胞轨迹预测任务中表现优异。研究显示，该方法在多个数据集上显著提升了性能。

该研究介绍了一种新颖的生成模型，基于连续归一化流在分解离散度量子流形上。通过将子流形嵌入到超单纯体中并进行数据驱动的平均，可以逼近复杂统计依赖关系的非分解离散分布。该生成模型通过匹配分解离散分布的测地线流进行有效训练，实验证明其广泛适用性。