两万字长文！从第一性原理理解 Diffusion & Flow Matching （SDE、ODE 的大一统视角）
中文摘要
从第一性原理出发，系统解析扩散模型、SDE、ODE及Flow Matching的数学理论与生成逻辑。
English Summary
This deep dive explains Diffusion and Flow Matching from first principles, unifying SDE, ODE, and score learning for generative modeling.
原文节选
📌 一句话摘要 本文从概率生成的第一性原理出发，系统梳理了扩散模型的理论体系：从分布搬运任务出发，解释了为何需要中间路径，随后依次推导 SDE、反向 SDE、Score 学习、概率流 ODE 及 Flow Matching，并阐释了 DDIM 等高效采样方法的原理。 📝 详细摘要 文章以严谨的数学视角拆解扩散模型（Diffusion）的核心逻辑。作者首先从生成任务的本质——将易采样的噪声分布搬运到真实数据分布——切入，...