Coreset-Induced Conditional Velocity Flow Matching¶

会议: NeurIPS 2026
arXiv: 2605.12951
OpenReview: https://openreview.net/forum?id=F3OUp4tpG4
代码: https://anonymous.4open.science/r/ccvfm-code-11D3/
领域: 图像生成
关键词: 流匹配、分层整流流、Sinkhorn核心集、条件速度分布、少步生成

一句话总结¶

本文提出核心集诱导的条件速度流匹配（CCVFM），通过熵正则化 Sinkhorn 核心集与低秩高斯混合模型（GMM）构建零参数的闭式条件速度源分布，使内层修正流只需学习从代理分布到真实目标的模态内残差而非从各向同性高斯噪声开始跨越模态传输，在 51 NFE 下于 MNIST（\(\text{FID}_{50k}=0.75\)）、CIFAR-10（\(6.35\)）、ImageNet-32（\(8.76\)）和 CelebA-HQ 256（\(\text{FID}_{28k}=4.17\)）上取得优异的少步生成性能。

研究背景与动机¶

流匹配（Flow Matching）与整流流（Rectified Flow）通过回归条件期望速度 \(u^\star(x,t)=\mathbb{E}[V\mid X_t=x]\) 实现从噪声到目标数据分布的传输。尽管回归条件均值足以匹配边缘分布的演化，但当同一个中间状态 \(x_t\) 可以通向多个不同的数据模态终点时，这种均值场学习会将完整的多峰条件速度分布 \(\pi(v\mid x_t,t)\) 坍缩为单一的平均方向（在几何上往往指向数据分布的低密度谷区）。由于速度场本身已被平均化，局部传输结构变得模糊，推理时不得不依赖长积分路径（高 NFE）来逐步修正轨迹，这是单纯改进 ODE 求解器无法消除的结构性瓶颈。

为了打破均值坍缩，分层整流流（HRF2）在速度空间中引入第二层流来直接建模完整的条件速度分布 \(\pi(v\mid x_t,t)\)，并证明了一个关键的结构恒等式：当目标分布 \(\rho_1\) 是高斯混合模型（GMM）时，其诱导的条件速度分布本身也是一个闭式 GMM。然而，HRF2 的内层修正流依然以各向同性高斯噪声 \(\mathcal{N}(0,I_d)\) 作为源分布，迫使神经网络从零开始将单峰高斯噪声传输到复杂的多峰条件速度分布。这意味着内层修正步承担了跨越不同模态的绝大部分传输负担，其传输代价存在与核心集规模无关的维度级正下界，导致低 NFE 下的高质量生成依然困难。

本文的切入角度是：既然 GMM 目标分布能够诱导闭式的 GMM 条件速度分布，那么完全可以先用数据驱动的紧凑 GMM 代理去逼近真实目标分布，将这个闭式诱导速度分布直接作为内层修正流的源分布，从而免去神经网络从纯噪声跨越模态的负担。核心 idea：利用熵正则化 Sinkhorn 核心集与概率主成分分析（PPCA）将目标分布压缩为低秩 GMM 代理并直接导出零参数的闭式条件速度源分布，配合保持边缘分布精确一致的 Sinkhorn 锚定耦合训练轻量修正流，将内层生成任务从“噪声到多峰数据的全局传输”简化为“代理分布到目标的模态内残差修正”。

方法详解¶

整体框架¶

CCVFM 采用三阶段流水线来替代传统分层流匹配中的各向同性高斯内层源。首先在离线阶段（Stage I），算法利用熵正则化 Sinkhorn 算法将训练数据压缩为 \(K\) 个加权锚点，并通过基于加权残差的概率主成分分析（PPCA）将其提升为具有低秩加各向同性协方差结构的 GMM 代理分布 \(\widetilde{\rho}_1\)。随后在第二阶段（Stage II），将 \(\widetilde{\rho}_1\) 代入条件速度贝叶斯恒等式，直接解析求得闭式 GMM 条件速度分布 \(\widetilde{\pi}(v\mid x_t,t)\)，尤其在生成边界 \(t=0\) 处化简为目标代理的平移副本，支持无需任何神经网络评估的零参数快速采样。最后在第三阶段（Stage III），算法以 \(\widetilde{\pi}(\cdot\mid X_t,t)\) 本身作为内层速度源分布，在训练时利用 Stage I 得到的最优软分配矩阵构建 Sinkhorn 锚定耦合（Sinkhorn-anchored coupling），训练修正网络 \(f_\theta\) 仅拟合同模态内的代理到目标速度残差；推理时采用单外层步（\(J=1, t=0\)）抽样闭式代理速度后，由 \(f_\theta\) 执行 \(L\) 步欧拉积分完成残差修正。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["训练数据集 {x_i} 与初始噪声 X_0 ~ N(0, I_d)"] --> B["熵正则化 Sinkhorn 核心集与低秩 PPCA 提升<br/>交替优化软分配矩阵 T* 与锚点 {w_k, μ_k}，拟合秩-r 协方差得代理 GMM ρ̃_1"]
    B --> C["闭式条件速度分布导出与零参数边界采样<br/>利用贝叶斯恒等式解析导出 π̃(v|x_t,t)，在 t=0 处以 O(dr) 复杂度抽样初始速度 V_0"]
    C --> D["Sinkhorn 锚定耦合与代理源修正流<br/>训练时按行责任度 T_b(X_I) 同模态配对 (V_0, V_1)，推理时执行 L 步欧拉残差修正输出 X̂_1"]

关键设计¶

1. 熵正则化 Sinkhorn 核心集与低秩 PPCA 提升：构建可解析诱导速度分布的紧凑数据代理

为了在不引入神经网络采样器的前提下获得贴近真实数据流形的内层速度源，Stage I 首先将经验数据分布 \(\hat{\rho}_{1,n}=\frac{1}{n}\sum_{i=1}^n \delta_{x_i}\) 压缩为 \(K \ll n\) 个加权原子 \(\sum_{k=1}^K w_k \delta_{\mu_k}\)。具体而言，算法在行边缘约束 \(\sum_k T_{ik}=1/n\) 与生成列边缘 \(\sum_i T_{ik}=w_k\) 下，联合优化锚点位置 \(\mu_k\)、权重 \(w_k\) 以及数据到锚点的软分配耦合矩阵 \(T \in \mathbb{R}_+^{n\times K}\)：

\[\min_{\{\mu_k,w_k\},\,T_{ik}\ge 0} \sum_{i,k} T_{ik}\|x_i-\mu_k\|^2 + \lambda\,\mathrm{KL}\!\left(T\,\middle\|\,\tfrac{1}{n}\mathbf{1}_n\otimes w\right)\]

固定 \((\mu,w)\) 时，耦合矩阵具有闭式 E 步更新 \(T_{ik}\propto w_k \exp(-\|x_i-\mu_k\|^2/\lambda)\)；随后交替执行质心 M 步更新 \(\mu_k \leftarrow w_k^{-1}\sum_i T_{ik}x_i\) 与 \(w_k \leftarrow \sum_i T_{ik}\)，每轮外层迭代仅需 \(O(nK)\) 开销。由于离散原子测度无法直接提供平滑的局部协方差结构，算法进一步利用收敛后的软分配权重，在每个锚点 \(k\) 的经验加权协方差 \(\widehat{\Sigma}_k^{\mathrm{emp}}=(nw_k)^{-1}\sum_i T_{ik}(x_i-\mu_k)(x_i-\mu_k)^\top\) 上执行秩为 \(r\) 的闭式 Tipping-Bishop PPCA 极大似然估计：通过随机 SVD 在 \(O(dr)\) 复杂度内提取前 \(r\) 个特征对构造低秩因子 \(L_k = U_{k,r}(\Lambda_{k,r}-\sigma_k^2 I_r)^{1/2} \in \mathbb{R}^{d\times r}\)，并用剩余 \(d-r\) 个尾部特征值的均值设定各向同性噪声方差 \(\sigma_k^2\)（部署时聚合为加权均值 \(\sigma^2=\sum_k w_k\sigma_k^2\)），最终得到平滑 GMM 代理 \(\widetilde{\rho}_1 = \sum_{k=1}^K w_k \mathcal{N}(\mu_k, L_k L_k^\top + \sigma^2 I_d)\)。这种参数化不仅从数据中自适应学出平滑尺度，还使后续高维高斯采样与矩阵运算复杂度从 \(O(d^3)\) 降至 \(O(dr)\)，在 \(K\sim 10^4\) 规模下依然能放入单卡显存。

2. 闭式条件速度分布导出与零参数边界采样：消除内层流跨越模态的初始传输距离

有了 GMM 代理 \(\widetilde{\rho}_1\)，Stage II 无需任何训练即可直接读取条件速度分布。根据流匹配的条件密度关系 \(\pi(v\mid x_t,t)\propto \rho_0(x_t-tv)\rho_1(x_t+(1-t)v)\)，将 \(\rho_0=\mathcal{N}(0,I_d)\) 与 GMM 代理 \(\widetilde{\rho}_1\) 代入并对速度变量 \(v\) 配方，即可解析得到闭式 GMM 条件速度分布 \(\widetilde{\pi}(v\mid x_t,t)=\sum_{b=1}^K \gamma_b(x_t,t)\mathcal{N}(v; m_b(x_t,t), \Lambda_b(t))\)。尤为关键的是，在推荐的单外层步（\(J=1\)）生成边界 \(t=0\) 处，条件速度分布直接退化为目标代理分布的平移副本：

\[\widetilde{\pi}(v\mid x_0,0) = \widetilde{\rho}_1(x_0+v) = \sum_{b=1}^K w_b\,\mathcal{N}(v; \mu_b - x_0, \Sigma_b)\]

在 \(t=0\) 处从该代理源抽样初始速度 \(V_0\) 仅需两步零参数操作：先按先验权重抽样混合分量下标 \(b^\star \sim \mathrm{Cat}(w_1,\dots,w_K)\)，再借助低秩因子以 \(O(dr)\) 复杂度计算 \(V_0 \leftarrow \mu_{b^\star} - x_0 + L_{b^\star}z + \sigma\eta\)（其中 \(z\in\mathbb{R}^r, \eta\in\mathbb{R}^d\) 为标准正态随机向量）。理论分析（Theorem 1）表明，在 \(t=0\) 处，CCVFM 内层修正流所需解决的条件传输代价恰好等于目标与代理之间的 Wasserstein 距离 \(D(Q_{\mathrm{CCVFM}})=W_2(\rho_1,\widetilde{\rho}_1)\le C_Q K^{-1/d}\)，随核心集规模 \(K\) 增大而趋于零；相比之下，HRF2 采用的各向同性高斯源存在严格为正且与 \(K,n\) 无关的维度级下界 \(D(Q_{\mathrm{HRF2}})\ge \sqrt{d}(\sqrt{\sigma_1^2+1}-1)\)。因此，闭式代理源从根本上将内层流的传输任务缩减到了任意小的局部残差尺度。

3. Sinkhorn 锚定耦合与代理源修正流：在严格保持训练-推理源分布一致的同时将回归方差压缩至模态内

由于有限 \(K\) 的 GMM 代理与真实图像分布之间仍存在细节残差（主要表现为高频纹理缺失），Stage III 在速度空间训练一个修正流网络 \(f_\theta(v,\tau,x_t,t)\) 来弥合这一差距。如果在训练时像独立耦合那样无条件地从 \(\widetilde{\pi}(\cdot\mid C)\) 独立抽取源速度 \(V_0\) 并与真实速度 \(V_1=X_1-X_0\) 配对，那么 \(V_0\) 和 \(V_1\) 极大概率落在不同的混合模态上，导致回归目标 \(V_1-V_0\) 的条件二阶矩依然受跨模态直径 \(D_\pi^2(C)\) 支配；反之，如果只按最近邻把数据硬分配给某个高斯分量，又会破坏训练时 \(V_0\) 的边缘分布，使其偏离推理时使用的无条件先验 \(\widetilde{\pi}(\cdot\mid C)\)。

为了同时兼顾“训练-推理源边缘分布严格一致”与“同模态低方差配对”，CCVFM 提出了 Sinkhorn 锚定耦合（Sinkhorn-anchored coupling）。在每个训练步，算法先均匀抽取真实样本下标 \(I \sim \mathrm{Uniform}\{1,\dots,n\}\) 令 \(X_1=X_I\)，然后直接利用 Stage I 收敛不动点处的软分配矩阵行向量 \(T_b(X_I)=n T^\star_{Ib}=\frac{w_b\exp(-\|X_I-\mu_b\|^2/\lambda)}{Z_I}\) 作为条件分类分布，抽取对应的代理分量 \(B\mid I \sim \mathrm{Cat}(T_1(X_I),\dots,T_K(X_I))\)，再从第 \(B\) 个高斯分量抽样源速度 \(V_0\mid (B,C)\sim \mathcal{N}(m_B(C),\Lambda_B(t))\)。这一设计具有三个精妙性质（Theorem 4）：第一，由 Stage I 的列边缘约束 \(\sum_{i=1}^n T^\star_{ib}=w_b\)，对均匀样本下标 \(I\) 求边缘期望后，分量 \(B\) 的边缘分布严格等于 \(\sum_{i=1}^n \frac{1}{n} T_b(x_i) = w_b\)，从而保证训练时 \(V_0\) 的边缘分布精确等于推理时的代理源分布 \(\widetilde{\pi}(\cdot\mid C)\)，无需任何重要性采样重加权或渐近假设；第二，由于行责任度 \(T_b(X_I)\) 以带宽 \(\lambda\) 集中在距离样本 \(X_I\) 最近的锚点上，\((V_0,V_1)\) 被锚定在同一个局部模态内，使 \(t=0\) 处的条件残差二阶矩严格分解为 Sinkhorn 传输代价与模态内协方差迹之和：

\[\mathbb{E}\bigl[\|V_1-V_0\|^2\,\big|\,X_0=x_0\bigr]_{\mathrm{sink}} = \frac{1}{n}\sum_{i=1}^n\sum_{b=1}^K T_b(x_i)\|x_i-\mu_b\|^2 + \sum_{b=1}^K w_b\operatorname{tr}\Sigma_b \le C_{\mathrm{Sink}}K^{-2/d}\]

完全消除了独立高斯源中不可避免的跨模态直径惩罚项 \(c_\gamma(C)D_\pi^2(C)+d\)；第三，行向量 \(T_b(X_I)\) 可在每个训练步以 \(O(Kd)\) 浮点运算即时重算，无需维护任何跨批次频率的移动平均（EMA）状态。

损失函数 / 训练策略¶

在 Stage III 训练阶段，给定外层状态 \(C=(X_t,t)\)、真实速度 \(V_1=X_1-X_0\) 以及通过 Sinkhorn 锚定耦合抽样的代理源速度 \(V_0\sim\widetilde{\pi}(\cdot\mid X_t,t)\)，算法均匀抽样内层流时间 \(\tau\sim\mathcal{U}[0,1]\)，构造线性插值速度 \(V_\tau=(1-\tau)V_0+\tau V_1\)，并最小化修正网络 \(f_\theta\) 对速度残差 \(V_1-V_0\) 的均方误差损失：

\[\mathcal{L}(\theta) = \mathbb{E}\bigl\|f_\theta(V_\tau,\tau,X_t,t) - (V_1 - V_0)\bigr\|^2\]

在像素空间数据集（MNIST、CIFAR-10、ImageNet-32）上，修正网络 \(f_\theta\) 采用与 HRF2 架构匹配的 U-Net（或双分支 U-Net，参数量约 21M–35M）；在高分辨率 CelebA-HQ 256 上，图像先经预训练 DC-AE（f32c32）编码为 \(d=2048\) 维潜变量，再用 DiT-B（131M）或 DiT-L（458M）作为修正网络，全程不使用无分类器引导（CFG）。推理时默认采用理论推荐的单外层步方案（\(J=1, t_0=0\)）：抽样 \(X_0\sim\mathcal{N}(0,I_d)\)，从闭式代理分布抽样初始速度 \(V\sim\widetilde{\pi}(\cdot\mid X_0,0)\)（记为 1 次零参数 NFE 以对齐扩散基线的初始去噪步计数），随后在 \(\ell=0,\dots,L-1\) 上执行 \(L\) 步欧拉积分 \(V\leftarrow V + \frac{1}{L}f_\theta(V,\ell/L,X_0,0)\)，最终一步输出 \(\hat{X}_1 = X_0 + V\)，总函数评估次数为 \(\mathrm{NFE}=L+1\)。

实验关键数据¶

主实验¶

实验在四个图像生成基准上评测了少步生成质量：像素空间的 MNIST（\(28\times 28, K=2000, r=50\)）、CIFAR-10（\(32\times 32\times 3, K=10000, r=80\)）、ImageNet-32（\(32\times 32\times 3, K=5000, r=80\)），以及潜空间的 CelebA-HQ 256（DC-AE \(d=2048, K=10000, r=128\)）。核心对比结果汇总如下（主表合并自原文 Table 1 与 Table 3）：

数据集	方法	NFE	\(\text{FID}_{10k}\downarrow\)	\(\text{FID}_{50k} / \text{FID}_{28k}\downarrow\)	对比说明
MNIST	Rectified Flow	100	—	5.563	均值场流匹配基线
MNIST	HRF2	100	—	2.588	各向同性高斯内层源
MNIST	HRF2	500	—	2.574	HRF2 最高预算结果
MNIST	CCVFM (\(L=10\))	11	4.05	2.88	11 NFE 即逼近 HRF2 500 NFE
MNIST	CCVFM (\(L=20\))	21	2.26	1.09	较 HRF2 (500 NFE) 降低 58%，NFE 减少约 24 倍
MNIST	CCVFM (\(L=50\))	51	1.91	0.75	较 HRF2 降低约 3 倍，NFE 减少约 10 倍
ImageNet-32	HRF2	11	—	20.29	同 U-Net 架构与评测协议
ImageNet-32	CCVFM (\(L=10\))	11	16.84	12.55	同等 11 NFE 下较 HRF2 降低 38%
ImageNet-32	HRF2	21	—	12.49	同 U-Net 架构与评测协议
ImageNet-32	CCVFM (\(L=20\))	21	13.79	9.51	同等 21 NFE 下较 HRF2 降低 24%
ImageNet-32	HRF2	51	—	9.02	同 U-Net 架构与评测协议
ImageNet-32	CCVFM (\(L=50\))	51	13.04	8.76	同等 51 NFE 下较 HRF2 降低 3%
CIFAR-10	Flow Matching	adp.	—	6.35	自适应步长多步积分
CIFAR-10	Consistency Model (CM)	1	—	8.70	蒸馏类单步方法
CIFAR-10	CCVFM (\(L=10 / 20 / 50\))	11 / 21 / 51	13.31 / 10.94 / 10.06	9.66 / 7.24 / 6.35	51 NFE 追平自适应步长 FM
CelebA-HQ 256	ADM / LDM-4	1000 / 200	—	5.11 / 5.11 (\(\text{FID}_{28k}\))	经典高步数扩散与潜扩散基线
CelebA-HQ 256	CCVFM-B / CCVFM-L (\(L=50\))	51	—	5.59 / 4.17 (\(\text{FID}_{28k}\))	无 CFG，NFE 减少 4–20 倍且超越 ADM/LDM-4

消融实验¶

作者在论文与附录中系统评测了核心集大小 \(K\)、外层与内层步数分配 \((J,L)\)、以及 1-NN 拟合优度/非记忆化检验（汇总自原文 Table 2、Table 5 与 Table 6）：

实验维度 / 数据集	配置对比	关键指标	结果与说明
MNIST 核心集规模扩展	\(K=500\) (40k iters, width 64, \(L=10\))	\(\text{FID}_{50k}\) @ 11 NFE	3.79（小核心集基线）
MNIST 核心集规模扩展	\(K=1000\) (80k iters, width 64, \(L=10\))	\(\text{FID}_{50k}\) @ 11 NFE	1.93（随 \(K\) 翻倍显著下降，验证压缩假设）
MNIST 核心集规模扩展	\(K=2000\) (200k iters, width 128, \(L=10 / 20 / 50\))	\(\text{FID}_{50k}\) @ 11 / 21 / 51 NFE	2.88 / 1.09 / 0.75（更大 \(K\) 延长了有效内层修正步上限）
CIFAR-10 核心集规模 \(K\)	\(K=5000\) vs. \(K=10000\) (\(J=1, L=10\), 11 NFE)	\(\text{FID}_{50k}\downarrow\)	13.18 \(\to\) 9.66（低 NFE 下翻倍 \(K\) 带来 3.52 FID 大幅提升）
CIFAR-10 核心集规模 \(K\)	\(K=5000\) vs. \(K=10000\) (\(J=1, L=20\), 21 NFE)	\(\text{FID}_{50k}\downarrow\)	9.28 \(\to\) 7.24（提升 2.04 FID）
CIFAR-10 核心集规模 \(K\)	\(K=5000\) vs. \(K=10000\) (\(J=1, L=50\), 51 NFE)	\(\text{FID}_{50k}\downarrow\)	7.78 \(\to\) 6.35（提升 1.43 FID）
外层步数 \(J\) 消融 (CIFAR-10, \(K=10000\))	单外层步 \((J=1, L=50)\) vs. 多外层步 \((J=2, L=50)\)	\(\text{FID}_{50k}\downarrow\)	6.35 (51 NFE) vs. 10.40 (100 NFE)，验证 \(J=1\) 边界采样最优
外层步数 \(J\) 消融 (ImageNet-32)	\((J=1, L=50)\) vs. \((J=2, L=50)\) vs. \((J=2, L=250)\)	\(\text{FID}_{50k}\downarrow\)	8.76 (51 NFE) vs. 8.75 (100 NFE) vs. 9.39 (500 NFE)，增加 \(J\) 无益
MNIST 1-NN 记忆化检验 (Inception 空间)	\(\text{Ge}\to\text{Tr}\) vs. \(\text{Ge}\to\text{Te}\) (对照 \(\text{Te}\to\text{Tr}\) 真实基线)	\(\text{KS}\downarrow\) / \(W_1\downarrow\)	0.0173 / 0.0420（紧贴真实数据独立同分布下界 0.0083 / 0.0116，无记忆化）

关键发现¶

低 NFE 区间的优势最为显著：在架构、数据集和评测协议完全对齐的 ImageNet-32 上，CCVFM 相比 HRF2 在 11 NFE 下将 \(\text{FID}_{50k}\) 从 20.29 大幅压低至 12.55（降幅达 38%），在 21 NFE 下降低 24%，而在 51 NFE 下差距收窄至 3%。这直接印证了 Corollary 3 的理论预测：数据驱动的闭式代理源在初始时刻就已经完成了跨模态定位，使修正流残差场更加平坦，从而在极少积分步数下展现出最大收益。
单外层步（\(J=1\)）一致优于或持平多外层步（\(J\ge 2\)）：在 CIFAR-10 上，\((J=1, L=50)\) 仅用 51 NFE 即达到 6.35 FID，而将外层步增加到 \((J=2, L=50)\)（共 100 NFE）反而退化至 10.40。原因在于 \(t=0\) 处条件速度分布精确简化为 \(\widetilde{\rho}_1(x_0+v)\)，无需在 \(t>0\) 处反复重算复杂的时变贝叶斯后验权重与矩阵求逆，避免了外层与内层离散化误差的交叉累积。
Stage II 与 Stage III 的职责分工清晰，且核心集不会导致训练样本死记硬背：CelebA-HQ 的可视化对比（Figure 11）表明，仅靠 1 NFE 的 Stage II 闭式 GMM 采样就能正确还原人脸的全局色彩、姿态与身份流形分布，但像素细节较为模糊；Stage III 的 \(L=50\) 步修正流则专门负责补齐眼睛、牙齿、发丝等高频残差。同时，基于 10k 等规模样本池的 Inception 1-NN 距离检验（\(\text{KS}=0.0173\)）与改进版 Precision/Recall（训练集与测试集参考差值仅 \(\Delta P=0.008, \Delta R=0.004\)）证实生成样本并未偏向训练集，模型学到的是真实分布而非核心集记忆。

亮点与洞察¶

“解析代理做全局定位 + 轻量流网络修局部残差”的混合生成范式：传统生成模型往往要求神经网络一肩挑起“从纯噪声跨越模态定位”和“局部高频细节刻画”两项任务。本文最核心的洞察是利用 HRF2 的 GMM 条件速度闭式恒等式，把跨模态的全局多峰路由交给零参数的 Sinkhorn-GMM 解析分布，让深度网络退居二线只做同模态内的残差回归，从根本上降低了 ODE 轨迹曲率与所需 NFE。
利用 Sinkhorn 不动点列边缘约束实现零代价的训练-推理源分布对齐：在训练修正流时，如何在按样本近邻配对（降方差）的同时不改变源分布的全局边缘分布（防训练-推理分布偏移）是一个棘手难题。作者巧妙地直接复用 Stage I Sinkhorn-EMS 收敛时的行责任度 \(T_b(X_I)=n T^\star_{Ib}\) 进行条件抽样，借助不动点恒等式 \(\sum_i T^\star_{ib}=w_b\) 天然保证了均匀抽样样本下标后的边缘分布严格等于先验权重 \(w_b\)，不引入任何重要性采样方差或额外超参。
可迁移的组件设计：（1）Stage I 中“熵正则化 Sinkhorn 软分配 + 随机 SVD 闭式秩-\(r\) PPCA”的高维分布压缩方案，计算复杂度仅 \(O(nK + Kdr)\)，可直接迁移到其他需要紧凑多峰先验的扩散/流匹配模型（如 डेटा驱动的 Bridge Matching 或条件先验构建）；（2）控制样本池大小一致的 Inception 空间 1-NN \(\text{KS}/W_1\) 对称性检验，为基于核心集、检索或记忆库的生成模型提供了一套严格的“非记忆化（no-memorization）”标准诊断工具。

局限与展望¶

理论高维常数的悲观性与压缩率假设：定理 1 和推论 3 中的渐近误差界 \(\mathcal{O}(K^{-1/d})\) 依赖于经典量化理论的维度指数，在原始像素高维空间中理论上收敛极慢（尽管实际实验中因图像流形的低有效维度 \(d_{\mathrm{eff}}\) 而表现良好）；此外，有限步熵正则化 Sinkhorn 加 PPCA 提升能否严格达到 \(K^{-1/d}\) 压缩率目前是作为显式假设（Assumption 1）引入的，尚未给出算法的非渐近收敛证明。
与顶尖少步扩散基线仍有差距，且缺少完全控制变量的源分布消融：在 CIFAR-10 上，CCVFM 在 51 NFE 下取得 \(\text{FID}_{50k}=6.35\)，虽然追平了自适应步长 Flow Matching，但相比精心调优的 EDM（35 NFE 下 FID 1.97）仍有明显差距；同时作者在附录 D.5 中坦言，受计算资源所限，尚未完成在完全固定 \(K\)、网络结构与训练步数下仅将 \(\widetilde{\pi}\) 替换为 \(\mathcal{N}(0,I_d)\) 的严格单变量重训练消融。
未来改进方向：可以将 CCVFM 的核心集代理源与轨迹拉直（ReFlow）、小批量最优传输耦合（mini-batch OT-CFM）或一致性蒸馏（Consistency Distillation）相结合，在已经大幅缩短的内层残差路径上进一步将推理步数从 10–50 步压缩至 1–2 步；此外，将单层平坦的 \(K\) 分量 GMM 升级为分层树状核心集，有望进一步降低训练时每次计算行责任度 \(O(Kd)\) 的开销。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 将分层流匹配的闭式 GMM 恒等式与 Sinkhorn 核心集及不动点耦合巧妙结合，从源分布层面消除了内层流的跨模态传输负担。
实验充分度: ⭐⭐⭐⭐ 在四个像素/潜空间基准与 2D 玩具数据集上验证了有效性并给出了详尽的 1-NN 非记忆化诊断，但缺少严格控制单变量的源分布重训练消融，且 CIFAR-10 绝对 FID 距 EDM 仍有差距。
写作质量: ⭐⭐⭐⭐⭐ 理论推导（传输代价缩减、边缘保持与条件二阶矩分解）与算法实现环环相扣，公式与物理直觉阐述极为清晰。
价值: ⭐⭐⭐⭐ 为多模态条件速度流匹配提供了一条低方差、零参数先验的实用路径，其 Sinkhorn 锚定耦合与低秩 GMM 先验对少步生成模型具有广泛借鉴意义。