arXiv 于 2026 年 6 月 2 日发布了题为《Optimal Transport Flow Matching by Design》（可译为“设计层面的最优传输流匹配”）的论文预印本，编号为 arXiv:2606.04092v1，归类于计算机视觉与模式识别（cs.CV）以及机器学习（cs.LG）两个学科方向。论文由 Shimon Malnick 领衔，共有四位作者参与。该研究针对流匹配（flow matching）生成模型中的一个核心难题提出了全新的解题思路。
流匹配模型的目标是学习一条从简单先验分布到复杂数据分布的传输路径。当先验样本与数据样本通过最优传输（optimal transport，OT）进行配对耦合时，所学习到的轨迹会变得更加平直且互不交叉，从而支持快速生成，甚至可以实现单步生成。然而，在高维空间中精确计算 OT 耦合是难以处理的，现有方法往往试图直接求解 OT 问题，但由此带来两种代价：要么产生持续存在的偏差，要么引入显著的计算开销。
本文的做法并非继续求解 OT 耦合，而是重新表述问题本身。作者指出，一旦将先验视为一种设计选择而非固定输入，先验与数据之间的 OT 耦合就不再唯一。许多先验都能够与数据构成 OT 最优的恒等耦合（identity coupling），这就使得研究者可以自由选择一个同时易于采样的先验。作者据此识别出自然图像的低频投影作为合适的选择。
具体而言，数据与其低频表示之间的恒等耦合在经验上被证明是 OT 最优的；同时，这个先验本身足够有结构，能够在推理阶段由一个轻量级模型进行采样；而剩余的流匹配任务则简化为合成高频细节。作者还发现，将先验与高斯噪声进行插值，可以在保持 OT 耦合性质的同时进一步改善生成质量。
该方法的另一大优势在于实现门槛较低：它无需对流模型本身做任何修改，并且能够自然地与潜空间模型、无分类器引导（classifier-free guidance）以及单步生成框架结合使用。在所有基准测试中，该方法相较现有流匹配方法将轨迹曲率降低了两倍以上，并在少步生成（few-step regime）条件下取得了更好的生成质量。论文还提供了项目页面链接，摘要页面显示全文提交体积约为 4,922 KB，DOI 由 DataCite 分配（尚待注册）。