はじめに 拡散モデルと Flow Matching の幾何学的解釈を軸に、生成モデルの基礎と現代的な課題を解説します。拡散モデルは、データに対してノイズを順次付加し、最後にノイズだけの状態から元データを再構成する逆過程を学習する手法です。画像・音声・科学データなど多様な領域で実用化が進んでおり、近年ではサンプル品質と生成速度の両立が重要なテーマとなっています。 Flow Matching は、データ分布間の連続的な変換を「流れ」として表現するアプローチで、従来の拡散過程の学習方法と組み合わせることで、パラメータの効率化や訓練安定性の改善が期待されています。幾何学的解釈を導入することで、測地線や空間距離に基づく最適化問題として拡散過程を捉え、理解しやすさと再現性を高める設計が可能になります。具体的には、生成過程の段階を通じて「どのような幾何的構造」が現れるのか、流れの連続性をどう保つかといった問いに答えることで、実世界データへの適用時にも信頼性の高い生成が期待できます。 評価指標としては、生成品質（PSNR/LPIPS の相関、FID の動作など）、多様性、推論の計算コストの三点を