2026年6月2日に arXiv へ投稿された論文「Optimal Transport Flow Matching by Design」（設計による最適輸送フローマッチング）は、arXiv:2606.04092v1 として公開され、コンピュータビジョンとパターン認識（cs.CV）および機械学習（cs.LG）のカテゴリに分類されている。著者は Shimon Malnick 氏を含む4名で、フローマッチング生成モデルにおける中心的な課題に対して新たな解法を提示している。
フローマッチングモデルは、単純な事前分布から複雑なデータ分布へサンプルを輸送する仕組みを学習する。事前分布とデータのペアを最適輸送（OT）によって結合すると、学習される軌道は直線的かつ交差しないものになり、高速生成、さらには単一ステップでの生成が可能になる。しかし高次元空間で OT 結合を計算することは事実上不可能であり、既存手法は OT 問題を直接解こうとするあまり、持続的なバイアスや大きな計算オーバーヘッドという代償を払ってきた。
本研究は OT 結合を解く代わりに、問題設定そのものを再定式化する。事前分布を固定された入力ではなく設計上の選択とみなせば、事前分布とデータの間の OT 結合はもはや一意ではない。多くの事前分布はデータとの間に OT 最適な恒等結合（identity coupling）を許容するため、サンプリングが容易なものを自由に選べる。著者らはこの条件を満たす選択として、自然画像の低周波投影を特定した。
データとその低周波表現の間の恒等結合は経験的に OT 最適であることが示され、この事前分布は推論時に軽量なモデルでサンプリングできるほど構造化されており、残りのフローマッチング課題は高周波の詳細を合成する作業へと縮小される。さらに事前分布をガウスノイズで補間することで、OT 結合の性質を保ちながら生成品質が向上するという。
この手法はフローモデル自体に変更を必要とせず、潜在空間モデル、分類器なしガイダンス（classifier-free guidance）、単一ステップ生成フレームワークと自然に統合できる。すべてのベンチマークにおいて、既存のフローマッチング手法と比較して軌道の曲率を2倍以上低減し、少数ステップ生成の領域でより高い生成品質を実現した。論文ではプロジェクトページへのリンクも案内されており、投稿時点の全文サイズは約4,922 KB、DOI は DataCite により割り当てられている（登録手続き中）。