本文介绍了Stable Diffusion 3.5模型的LoRA微调技术，核心是通过冻结原模型并插入低秩矩阵对，仅训练少量参数即可实现高效定制；涵盖了图像-文本对数据集准备、模型配置、基于特殊Flow Matching损失的训练流程及权重管理，具有参数量少（仅原模型1%-5%）、训练速度快、权重易分享等优势，能高效适配特定领域或风格的图像生成需求

本文深入解析了Stable Diffusion 3.5的核心生成机制Flow Matching。Flow Matching是一种基于连续归一化流的生成建模方法，通过学习时间依赖的向量场，描述数据从噪声到目标分布的连续变换过程。文章详细阐述了其理论框架、数学推导和推理过程，包括概率路径定义、损失函数设计以及离散化采样步骤。通过物理运动类比直观解释了模型工作原理，并提供了MNIST数据集实战的代码框架