生成模型在轨迹推断中，传统方法受限于欧几里得几何，难以捕捉底层动力学。Metric Flow Matching（MFM）通过最小化数据诱导的黎曼度量动能，实现数据流形上的矢量场匹配，降低不确定性，提供更有意义的插值。研究表明，MFM在LiDAR导航、图像翻译和细胞动力学建模等任务中表现优异，尤其在单细胞轨迹预测中达到SOTA水平。

Metric Flow Matching (MFM)是一种非模拟的条件流匹配框架，通过最小化引入的Riemannian度量的动能来学习逼近测地线插值。它在数据流形上匹配向量场，减少不确定性并获得更有意义的插值结果。MFM已在LiDAR导航、非配对图像转换和建模细胞动力学等各种具有挑战性的任务中得到验证，并在单细胞轨迹预测方面取得了最先进的性能。