Le Flow Matching est un cadre théorique récent permettant d’apprendre des transformations continues entre mesures de probabilité, très utilisé en apprentissage automatique, notamment pour la génération d’images. L’idée centrale consiste à construire un champ de vélocité dont le flot transporte une distribution source vers une distribution cible. Contrairement à d’autres méthodes utilisées en génération d’image, l’apprentissage du champ de vélocité se réduit à un simple problème de régression, ce qui rend le Flow Matching particulièrement simple à mettre en œuvre.

Cet exposé proposera une introduction au sujet et à ses liens et différences avec le Transport Optimal.