在 Flow Matching 算法中，虽然训练时使用的路径是噪声 和目标点 之间的直线距离，但是由于 是随机选择的，所以最后得到的 ODE 路径实际上是弯的，见 Flow Matching 训练 一节。在路径交叉点，神经网络无法同时输出两个不同的方向，只能输出这两个方向的平均值。这导致神经网络实际学到的 ODE 轨迹变得弯曲（非线性），生成时需要很多步 才能保证质量。
Rectified Flow 算法则在 Flow Matching 的训练过程后又增加了一个阶段的训练：
- 采样一批噪声
- 使用第一阶段训练好的模型 ，通过多步 ODE 生成得到对应的数据
- 因为 是通过 ODE 从 确定性生成的，所以 这一对具有了内在的一一对应关系，它们的路径绝对不会再交叉（由 ODE 的唯一性定理保证）
- 拿这批新的配对数据 ，重复最开始的训练过程，训练一个新的模型 ：
以上过程可以重复 次，以使 ODE 路径更加平直
经过这一阶段的训练之后，理论上只需要一步就能生成高质量的图像：
可以这样理解
由于噪声分布 和数据分布 之间存在无穷种耦合（coupling）方式，而训练时使用的数据对 又是随机选取的，所以最终得到的结果只能是所有耦合的“平均”；通过在这个“平均”耦合的基础得到的“直线”耦合进行微调（即 Reflow），从而得到一个 ODE 路径更加平直的新耦合
