泊松流（Poisson Flow）生成模型

又搬来了神器啊~~~ 

扩散模型最早来源于物理中的热力学，最近却在人工智能领域大放异彩。还有什么物理理论可以推动生成模型研究的发展呢？最近，来自 MIT 的研究者受到高维电磁理论的启发，提出了一种称作泊松流（Poisson Flow）的生成模型。理论上，这种模型具有直观的图像和严谨的理论；实验上，它在生成质量、生成速度和鲁棒性上往往比扩散模型更好。本文已被NeurIPS 2022接收。

论文地址：https://arxiv.org/abs/2209.11178  

代码地址：https://github.com/Newbeeer/Poisson_flow

受到静电力学的启发，研究人员提出了一种新的生成模型，名为泊松流模型 (Poisson Flow Generative Models, or PFGM)。直观上，该研究可以把 N 维的数据点看成在 N+1 维空间中新增维度 z=0 平面上的一群正电荷，它们产生了高维空间中的电场。从 z=0 平面开始沿着它们产生的电场线往外走，该研究能够把样本送到一个半球面上（如图一所示）。这些电场线的方向对应于高维空间中泊松方程 (Poisson Equation)的解的梯度。研究人员证明了当半球的半径足够大的时候，电场线能够把在 z=0 平面上的电荷分布（也就是数据分布）转换为一个在半球面上的均匀分布（图二）。

PFGM 利用了电场线的可逆性来生成 z=0 平面上的数据分布：首先研究人员在大的半球面上均匀采样，接着让样本沿着电场线