GMFlow

用高斯混合流匹配，让图像生成更快更清晰

GMFlow 是一个基于高斯混合流匹配（Gaussian Mixture Flow Matching）的生成模型开源实现，由 ICML 2025 论文提出。它旨在解决传统流匹配（Flow Matching）模型在生成质量与采样速度之间的权衡问题。其核心思想是将简单的条件概率路径扩展为高斯混合分布，从而为每个样本提供更灵活、更丰富的生成轨迹，使得模型能够更准确地学习复杂数据分布。项目提供了完整的 PyTorch 训练与推理代码，支持图像生成任务，并包含预训练模型与评估脚本。通过引入高斯混合路径，GMFlow 在保持采样步骤较少的同时，提升了生成图像的清晰度和多样性，尤其在高分辨率图像生成上表现出色。该实现易于扩展，可适配不同的骨干网络和数据集，适合研究者和开发者用于探索新一代生成模型。