生成模型简介：流匹配与扩散模型

项目网址: https://pkujzx.github.io/Flow-Diffusion/

📖 概述

本项目旨在提供一个关于流匹配 (Flow Matching) 和扩散模型 (Diffusion Models) 的系统性介绍。我选择从最前沿、最统一、也最简洁的理论框架出发，帮助初学者和研究者更高效地掌握生成模型的核心思想。

我相信，理解了最现代的优美框架后，再回溯历史，那些经典但复杂的早期论文将变得豁然开朗。

🎯 动机

扩散模型领域的演进路线颇为独特：许多早期的“开创性”论文，由于当时探索性的本质，理论框架反而最为复杂、最不易理解。然而，各大平台的学习资料却充斥着对这些“经典”论文的解读，导致新手的学习曲线异常陡峭，既费力又不实用。

与此同时，该领域最前沿的理论研究（如流匹配）已经发展出极其优美和统一的框架。这些框架不仅更强大，也惊人地更简单。

本项目的初衷，就是打破这种低效的学习模式。我们希望直接从山顶出发，为学习者呈现最清晰的全局图景。

✨ 我的方法

本教程将颠覆传统的学习路径，采用“从现在到过去”的视角：

1. 从前沿出发: 我们将从流匹配等最新、最简洁的统一框架开始讲起。
2. 构建核心直觉: 帮助您快速建立对生成模型本质的深刻理解。
3. 俯瞰全局: 在掌握了最核心的理论之后，再引导您回顾经典的扩散模型、分数匹配（Score Matching）和随机微分方程（SDE）等工作。

我们希望，当您学完本教程，再回看那些经典论文时，能够“轻蔑”一笑，从一个更高的视角俯瞰众多看似杂乱的研究，洞悉其内在联系。

🌟 目标读者

• 对生成模型感兴趣，但被复杂数学推导劝退的初学者。
• 希望系统性地梳理扩散模型发展脉络的研究者。
• 渴望从更统一、更本质的视角理解AI模型的学生和工程师。

🙏 致谢

特别感谢 SunLab 的师兄们提出的宝贵意见，他们的深刻见解对本项目助益良多。

💬 欢迎交流与贡献

我深知本项目仍有许多待完善之处，真诚欢迎您：

• 提出宝贵的修改建议。
• 指出内容中的错误或不清晰之处。
• 与我联系，进行深入的学术讨论。

您可以通过邮箱 jzx417889065@stu.pku.edu.cn 直接联系我来分享您的想法。让我们共同完善这个项目！