Flow-matching 모델은 복잡한 분포를 효과적으로 표현하지만, 제한된 샘플링 예산 하에서 출력 함수의 기댓값을 추정하는 데 어려움이 있다. 본 논문은 독립적인 샘플링으로 인한 높은 분산 문제를 해결하기 위해, 다양한 특징을 가진 샘플을 공동으로 추출하고, 추정된 중요도 가중치를 통해 편향되지 않은 기댓값 추정을 가능하게 하는 중요도 가중치 기반의 비-IID 샘플링 프레임워크를 제안한다. 또한, 다양성과 품질의 균형을 위해 점수 함수(로그 확률의 기울기)를 활용하여 고밀도 영역 내에서 샘플 간의 거리를 유지하는 점수 기반 정규화를 도입하고, 비-IID 흐름 샘플의 중요도 가중치를 위한 첫 번째 접근 방식을 개발하여 비-IID 샘플의 주변 분포를 재현하는 잔여 속도장을 학습한다.
