COT-FM: Cluster-gewijs Optimale Transport Stroom Matching

COT-FM: Cluster-wise Optimal Transport Flow Matching

March 11, 2026

Auteurs: Chiensheng Chiang, Kuan-Hsun Tu, Jia-Wei Liao, Cheng-Fu Chou, Tsung-Wei Ke

cs.AI

Samenvatting

Wij introduceren COT-FM, een algemeen raamwerk dat de waarschijnlijkheidspad in Flow Matching (FM) hervormt om snellere en betrouwbaardere generatie te bereiken. FM-modellen produceren vaak gebogen trajecten als gevolg van willekeurige of batchgewijze koppelingen, wat de discretisatiefout vergroot en de samplekwaliteit vermindert. COT-FM lost dit op door doelsamples te clusteren en aan elk cluster een toegewijde brondistributie toe te wijzen, verkregen door voorgetrainde FM-modellen om te keren. Deze verdeel-en-heersstrategie resulteert in nauwkeuriger lokaal transport en aanzienlijk rechtere vectorvelden, allemaal zonder de modelarchitectuur te wijzigen. Als een plug-and-play aanpak versnelt COT-FM consistent de sampling en verbetert het de generatiekwaliteit op 2D-datasets, beeldgeneratiebenchmarks en robotmanipulatietaken.

English

We introduce COT-FM, a general framework that reshapes the probability path in Flow Matching (FM) to achieve faster and more reliable generation. FM models often produce curved trajectories due to random or batchwise couplings, which increase discretization error and reduce sample quality. COT-FM fixes this by clustering target samples and assigning each cluster a dedicated source distribution obtained by reversing pretrained FM models. This divide-and-conquer strategy yields more accurate local transport and significantly straighter vector fields, all without changing the model architecture. As a plug-and-play approach, COT-FM consistently accelerates sampling and improves generation quality across 2D datasets, image generation benchmarks, and robotic manipulation tasks.