Dans cet article, nous proposons un cadre d'appariement d'énergie pour améliorer la flexibilité des modèles génératifs basés sur les flux. Alors que les modèles basés sur les flux existants peinent à intégrer des observations partielles ou des informations a priori supplémentaires, les modèles basés sur l'énergie (EBM) gèrent efficacement ce problème en ajoutant un terme d'énergie scalaire. La méthode proposée déplace les échantillons le long d'un chemin de transport optimal, de la distribution de bruit à la distribution de données, et les guide vers la distribution d'équilibre de Boltzmann grâce à un terme d'énergie entropique à mesure qu'ils approchent de la variété de données. Cette dynamique est paramétrée par un champ scalaire unique, indépendant du temps, qui sert de générateur robuste et d'information a priori flexible pour une régularisation efficace du problème inverse. Nous démontrons des performances supérieures sur la génération d'images CIFAR-10 et ImageNet par rapport aux EBM existants, et maintenons un apprentissage sans simulation, même loin de la variété de données. Nous démontrons également des performances dans un contexte de génération de protéines en introduisant des énergies d'interaction qui prennent en charge l'exploration multimode. Nous présentons un cadre simplifié pour l'apprentissage de l'énergie potentielle scalaire sans contraintes de temps, générateurs auxiliaires ou réseaux supplémentaires, ce qui constitue une différence significative par rapport aux méthodes EBM existantes.
