flow-matching

用流匹配快速训练图像生成模型，替代扩散模型

flow-matching 是一个基于 PyTorch 实现的流匹配（Flow Matching）开源项目，专注于图像生成任务。流匹配是一种新兴的生成模型范式，通过学习连续归一化流（CNF）来将简单分布（如高斯噪声）转换为复杂的数据分布，从而生成高质量的图像。该项目解决了传统扩散模型训练效率低、采样速度慢的问题，提供了一套简洁、高效的实现代码，支持条件流匹配（Conditional Flow Matching），并集成了多种合成数据生成功能。核心能力包括：灵活的流匹配训练框架、可扩展的模型架构、清晰的代码结构，便于研究者快速上手和二次开发。项目处于早期阶段，代码量适中，适合作为学习流匹配算法的入门参考，也可作为实验基础进行扩展。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 127

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队keishihara

所属国家

官网地址

GitHubhttps://github.com/keishihara/flow-matching

定价模式free

价格说明开源项目，基于PyTorch实现Flow Matching，可自行部署使用，完全免费。

访问状态

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型conditional-flow-matching,continuous-normalizing-flows,deep-learning,flow-matching,image-generation,python,pytorch,synthetic-data-generation

GitHub 星标★ 127

30天Star增速

HF 下载量

上线时间2025-01-05 00:00:00

最近更新2026-09-17 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数1

使用教程

核心亮点

实现简洁，基于 PyTorch，易于理解和修改
支持条件流匹配，可生成带标签的图像
代码结构清晰，适合作为学习流匹配的入门项目

不足之处

文档/社区待观察
功能相对基础，缺少高级优化和预训练模型

适用场景

学术研究：验证流匹配算法在图像生成上的效果
教学演示：作为生成模型课程的实验代码
快速原型：在自定义数据集上训练图像生成器

替代项目

torchcfm、Flow Matching for Generative Modeling (official)、Diffusers

项目介绍

flow-matching 是模型训练领域的开源项目，由 keishihara 开发，2025 年首次发布。

它收录于模型训练分类，该分类目前共有 518 个项目，GitHub 星标数为 127。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-17。基于PyTorch实现Flow Matching，可自行部署使用，完全免费。

它主要面向的使用场景是：学术研究：验证流匹配算法在图像生成上的效果。同类可对比的替代方案包括 torchcfm、Flow Matching for Generative Modeling (official)、Diffusers。

上一篇：MHLA

下一篇：grafting