Conditional Particle Matching：用于少步生成的状态条件化粒子场

基于摘要分析。该研究面向少步生成中的条件分布匹配问题：仅让生成样本的边缘分布接近数据分布，并不能唯一确定给定带噪状态时应如何预测干净样本。作者提出 Conditional Particle Matching（CPM），以总体层面的条件 reverse-KL 为目标，用随机反向核 ρ_θ(x₀|xₜ,t,c) 逼近腐化后验 p(x₀|xₜ,t,c)，使同一带噪状态原则上可以对应多种干净样本解释。 机制上，作者将条件 reverse-KL 场分解为数据先验项、由已知腐化过程得到的解析似然项，以及状态条件化的模型自场。相较于 Drifting Models 的端点推前分布匹配和 Drift Flow Matching 的时间索引边缘输运，其核心关注点是反向生成对具体带噪状态的依赖，而不只是边缘分布的一致性。 实现上，作者基于已发布的 Drifting 实现构建特征空间粒子半梯度。CPM 在干净端点坐标中工作：冻结的感知特征仅作用于干净坐标下的预测与参考样本；实际更新则通过解析腐化似然，以及原生潜空间中依赖 SNR 的归一化距离，显式纳入带噪状态信息。总体目标的分解与实用半梯度之间的对应关系及近似条件仍需结合正文核对。 作者提出固定状态采样和观测打乱对照，用于探查汇总分布指标难以揭示的条件行为。摘要未给出数据集、生成步数、对照结果或定量指标，因此尚不能判断少步生成质量、条件一致性或计算成本是否改善；实验协议、消融及统计信息尚未验证。材料也未提供 EEG/BCI 实验，不能据此推断其神经信号生成或解码效果。