본 논문은 확률적 생성 모델 중 이미지 생성 분야에서 잠재력을 보여준 Flow matching 모델의 학습 효율성을 향상시키는 $\texttt{Latent-CFM}$을 제안합니다. 사전 훈련된 경량 잠재 변수 모델을 사용하여 데이터에서 특징을 추출하고, 이를 조건으로 Flow를 학습함으로써, 다중 모드 분포의 합성 데이터 및 이미지 벤치마크 데이터셋에서 기존 Flow matching 모델보다 적은 훈련과 계산량으로 더 나은 생성 품질을 달성합니다. 또한, 물리적 과정에서 발생하는 공간 필드의 생성 모델링에도 적용하여 우수한 성능을 보이며, 잠재 공간 분석을 통해 조건부 이미지 생성 및 생성 과정의 해석 가능성을 제시합니다.
