Flow Matching
Flow Matching ist eine generative Modellierungstechnik, die gerade Transportpfade zwischen Rausch- und Datenverteilung lernt – schneller und stabiler als klassische Diffusion.
Flow Matching lernt gerade Pfade von Rauschen zu Daten – die Technik hinter Flux und SD3, die Bildgenerierung 3-5x schneller macht als klassische Diffusion.
Erklärung
Statt des verschlungenen Diffusionspfads lernt Flow Matching direkte Pfade von Rauschen zu Daten. Weniger Sampling Steps nötig, stabileres Training. Stable Diffusion 3 und Flux nutzen Flow Matching statt klassischer DDPM-Diffusion.
Relevanz für Marketing
Die nächste Generation der Bildgenerierung: Flux und SD3 nutzen Flow Matching für schnellere, qualitativere Ergebnisse.
Beispiel
Flux (Black Forest Labs) nutzt Rectified Flow und braucht nur 4-8 Steps statt 20-50 bei klassischer Diffusion für vergleichbare Qualität.
Häufige Fallstricke
Neuere Technik mit weniger Community-Tooling. Nicht alle Stable-Diffusion-Workflows übertragbar. Weniger Fine-Tuning-Optionen als DDPM.
Entstehung & Geschichte
Lipman et al. (2023) formalisierten Flow Matching als Alternative zu Score-based Diffusion. Rectified Flows (Liu et al., 2023) vereinfachten das Training. Stable Diffusion 3 (Stability AI, 2024) war das erste große Modell mit Flow Matching. Flux (Black Forest Labs, 2024) demonstrierte überlegene Qualität. 2025 löst Flow Matching klassische Diffusion zunehmend ab.
Abgrenzung & Vergleiche
Flow Matching vs. DDPM (Denoising Diffusion)
DDPM nutzt stochastische, gewundene Denoising-Pfade (20-50 Steps); Flow Matching nutzt deterministische, gerade Pfade (4-8 Steps).
Flow Matching vs. Normalizing Flow
Klassische Normalizing Flows erfordern invertierbare Architekturen (einschränkend); Flow Matching hat keine Architektur-Restriktionen.