Flow Matching vs DDPM: 왜 ODE가 더 빠르고 직관적인가

Flow Matching vs DDPM: 왜 ODE가 더 빠르고 직관적인가

DDPM은 1000스텝, Flow Matching은 10스텝. 수식으로 증명하는 직선 경로의 힘.

TL;DR

• DDPM: 노이즈를 조금씩 제거하는 확률적(Stochastic) 방식. 매 스텝 랜덤성이 개입해 경로가 휘어짐
• Flow Matching: 데이터로 직접 향하는 결정론적(Deterministic) 방식. 직선 경로로 빠르게 도달
• 핵심 차이: DDPM은 "노이즈 예측", Flow Matching은 "속도장(velocity field) 예측"

1. 문제 설정: 노이즈에서 데이터로 가는 길

생성 모델의 목표는 단순합니다:

$$\text{노이즈 } z \sim \mathcal{N}(0, I) \quad \longrightarrow \quad \text{데이터 } x \sim p_{\text{data}}$$

이 변환을 어떻게 할 것인가? 여기서 두 패러다임이 갈립니다.

DDPM의 접근: "천천히, 확률적으로"

DDPM은 Markov chain을 정의합니다:

$$x_t = \sqrt{\bar{\alpha}_t} x_0 + \sqrt{1 - \bar{\alpha}_t} \epsilon, \quad \epsilon \sim \mathcal{N}(0, I)$$

여기서 $\bar{\alpha}_t = \prod_{s=1}^{t} \alpha_s$이고, $\alpha_t = 1 - \beta_t$입니다.

시간이 지날수록($t \to T$) 데이터 $x_0$의 정보는 사라지고, 순수한 노이즈 $\epsilon$만 남습니다.

Flow Matching의 접근: "직선으로, 결정론적으로"

Flow Matching은 선형 보간(linear interpolation)을 사용합니다:

$$x_t = (1 - t) x_0 + t \epsilon, \quad t \in [0, 1]$$

$t=0$이면 $x_0$ (데이터), $t=1$이면 $\epsilon$ (노이즈). 그 사이는 직선입니다.

2. 학습 목표의 차이

DDPM: 노이즈 예측

DDPM은 신경망 $\epsilon_\theta$가 추가된 노이즈를 예측하도록 학습합니다:

$$\mathcal{L}_{\text{DDPM}} = \mathbb{E}_{x_0, \epsilon, t} \left[ \| \epsilon - \epsilon_\theta(x_t, t) \|^2 \right]$$

왜 노이즈를 예측할까요? Reverse process에서 $x_{t-1}$을 복원하려면:

$$x_{t-1} = \frac{1}{\sqrt{\alpha_t}} \left( x_t - \frac{\beta_t}{\sqrt{1 - \bar{\alpha}_t}} \epsilon_\theta(x_t, t) \right) + \sigma_t z$$

여기서 $z \sim \mathcal{N}(0, I)$는 매 스텝 추가되는 새로운 랜덤성입니다. 이것이 경로를 휘게 만드는 원인입니다.

Flow Matching: 속도장 예측

Flow Matching은 신경망 $v_\theta$가 속도장(velocity field)을 예측하도록 학습합니다:

$$\mathcal{L}_{\text{FM}} = \mathbb{E}_{x_0, \epsilon, t} \left[ \| v_t(x_t) - v_\theta(x_t, t) \|^2 \right]$$

목표 속도장(target velocity field)은 조건부 경로의 시간 미분입니다:

$$v_t(x_t | x_0, \epsilon) = \frac{d}{dt} x_t = \frac{d}{dt} \left[ (1-t)x_0 + t\epsilon \right] = \epsilon - x_0$$

이 속도장은 상수입니다! 시간 $t$에 관계없이 항상 $\epsilon - x_0$ 방향으로 일정한 속도로 이동합니다.

3. 샘플링 과정의 차이

DDPM 샘플링: SDE 기반

DDPM의 reverse process는 Stochastic Differential Equation (SDE)를 따릅니다:

$$dx = \left[ f(x, t) - g(t)^2 \nabla_x \log p_t(x) \right] dt + g(t) d\bar{w}$$

여기서:

• $f(x, t)$: drift coefficient
• $g(t)$: diffusion coefficient (노이즈 강도)
• $d\bar{w}$: reverse-time Brownian motion

문제점: $g(t) d\bar{w}$ 항 때문에 매 스텝 랜덤성이 추가됩니다. 경로가 브라운 운동처럼 휘어지면서 목표에 도달하므로, 작은 스텝으로 많이 가야 합니다.

Flow Matching 샘플링: ODE 기반

Flow Matching은 Ordinary Differential Equation (ODE)를 따릅니다:

$$\frac{dx}{dt} = v_\theta(x, t)$$

확률 항이 없습니다. 주어진 속도장을 따라 결정론적으로 이동합니다.

샘플링:

# Euler method
x = torch.randn(batch_size, dim)  # 시작: 순수 노이즈
dt = 1.0 / num_steps

for t in torch.linspace(1, 0, num_steps):
    v = model(x, t)  # 속도장 예측
    x = x - v * dt   # 직선 이동

4. 왜 Flow Matching이 더 빠른가?

수학적 직관

DDPM의 경로 길이를 생각해봅시다. 브라운 운동의 특성상:

$$\mathbb{E}\left[ \text{Path Length} \right] = \mathcal{O}(\sqrt{T})$$

$T$는 총 스텝 수입니다. 스텝이 많을수록 경로가 길어집니다.

반면 Flow Matching의 직선 경로:

$$\text{Path Length} = \| \epsilon - x_0 \| = \mathcal{O}(1)$$

스텝 수와 무관하게 최단 거리입니다.

실험적 증거

동일한 품질을 위해 DDPM은 1000스텝이 필요하지만, Flow Matching은 10스텝으로 충분합니다.

5. Rectified Flow: Flow Matching의 진화

Rectified Flow는 Flow Matching을 더 발전시킨 방법입니다.

핵심 아이디어: Reflow

학습된 flow가 완벽히 직선이 아닐 수 있습니다. Reflow는 이를 "펴주는" 과정입니다:

1. 학습된 모델로 $(z, x_0)$ 쌍을 생성
2. 이 쌍으로 다시 직선 경로를 학습
3. 반복하면 경로가 점점 직선에 가까워짐

$$\mathcal{L}_{\text{reflow}} = \mathbb{E}_{(z, x_0) \sim \pi_k} \left[ \| (x_0 - z) - v_\theta(x_t, t) \|^2 \right]$$

Distillation과의 결합

1-step 생성을 위해 distillation을 적용할 수 있습니다:

$$\mathcal{L}_{\text{distill}} = \mathbb{E}_{z} \left[ \| x_0^{\text{teacher}} - G_\theta(z) \|^2 \right]$$

여기서 $G_\theta(z)$는 단일 forward pass로 데이터를 생성하는 generator입니다.

6. 구현 비교

DDPM Forward Process

def ddpm_forward(x0, t, noise_schedule):
    """
    x_t = sqrt(alpha_bar_t) * x0 + sqrt(1 - alpha_bar_t) * epsilon
    """
    alpha_bar = noise_schedule.alpha_bar[t]
    epsilon = torch.randn_like(x0)

    x_t = torch.sqrt(alpha_bar) * x0 + torch.sqrt(1 - alpha_bar) * epsilon
    return x_t, epsilon

Flow Matching Forward Process

def flow_matching_forward(x0, t):
    """
    x_t = (1 - t) * x0 + t * epsilon
    """
    epsilon = torch.randn_like(x0)

    # t를 올바른 shape으로 변환
    t = t.view(-1, 1, 1, 1)  # for images

    x_t = (1 - t) * x0 + t * epsilon
    velocity = epsilon - x0  # target velocity

    return x_t, velocity

Training Loop 비교

# DDPM
for x0 in dataloader:
    t = torch.randint(0, T, (batch_size,))
    x_t, epsilon = ddpm_forward(x0, t, noise_schedule)

    epsilon_pred = model(x_t, t)
    loss = F.mse_loss(epsilon_pred, epsilon)

# Flow Matching
for x0 in dataloader:
    t = torch.rand(batch_size)  # uniform [0, 1]
    x_t, velocity = flow_matching_forward(x0, t)

    velocity_pred = model(x_t, t)
    loss = F.mse_loss(velocity_pred, velocity)

7. 언제 무엇을 써야 하나?

DDPM/DDIM을 선택할 때

• 기존 pretrained 모델 활용 (Stable Diffusion 등)
• 높은 다양성(diversity)이 필요할 때
• 확률적 샘플링이 필요한 경우

Flow Matching을 선택할 때

• 빠른 추론이 최우선일 때
• 처음부터 새로 학습할 때
• 단순하고 직관적인 구현이 필요할 때

Rectified Flow를 선택할 때

• 1-step 또는 few-step 생성이 목표일 때
• 실시간 애플리케이션
• 모바일/엣지 디바이스 배포

8. 수학적 연결: Score와 Velocity의 관계

DDPM의 score function과 Flow Matching의 velocity는 밀접하게 연관되어 있습니다.

Score function은 로그 확률의 기울기입니다:

$$s_\theta(x, t) = \nabla_x \log p_t(x)$$

DDPM에서 score와 노이즈 예측의 관계:

$$s_\theta(x_t, t) = -\frac{\epsilon_\theta(x_t, t)}{\sqrt{1 - \bar{\alpha}_t}}$$

Flow Matching의 velocity와 score의 관계 (probability flow ODE를 통해):

$$v_\theta(x, t) = f(x, t) - \frac{1}{2} g(t)^2 s_\theta(x, t)$$

따라서 잘 학습된 DDPM 모델에서 Flow Matching 모델을 유도할 수 있습니다. 이것이 Stable Diffusion 3가 Rectified Flow로 전환한 이유 중 하나입니다.

결론

Flow Matching은 "왜 굳이 돌아가나?"라는 질문에서 시작된 방법론입니다. 직선이 최단 거리라는 단순한 통찰이 생성 모델의 효율성을 크게 높였습니다.

References

1. Ho, J., et al. "Denoising Diffusion Probabilistic Models" (NeurIPS 2020)
2. Lipman, Y., et al. "Flow Matching for Generative Modeling" (ICLR 2023)
3. Liu, X., et al. "Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow" (ICLR 2023)
4. Song, Y., et al. "Score-Based Generative Modeling through Stochastic Differential Equations" (ICLR 2021)