フロー・マッチングモデルは、シンプルな事前分布から複雑なデータ分布へサンプルを変換する生成モデルの一種です。従来、事前分布とデータを最適輸送（OT）で結合すると、学習される軌跡は直線的で交差せず、高速な単一ステップ生成を実現できます。しかし高次元における最適輸送結合の計算は非常に複雑で、既存手法では計算コストの増加や持続的なバイアスの問題を抱えていました。 本研究は、最適輸送結合の計算を直接的に解く代わりに、問題そのものを根本から再構成することを提案しています。事前分布を固定入力ではなく設計選択肢として扱うことで、事前分布とデータ間の最適輸送結合は一意ではなくなります。多くの事前分布が実行可能なサンプリング方法を持つ最適輸送同一結合を認めており、自由に選択できるようになるのです。自然画像の低周波投影をそのような選択肢として特定しました。データとその低周波表現間の同一結合は経験的に最適輸送的であり、事前分布は推論時に軽量モデルでサンプリング可能な十分な構造を備えており、残りのフロー・マッチング作業は高周波詳細の合成に削減されます。 事前分布とガウスノイズを補間することで、最適輸送結合を保つながら生成品質をさらに向上させます。このアプローチはフローモデル自体への修正を必要とせず、潜在空間モデル、分類器フリーガイダンス、単一ステップ生成フレームワークと自然に統合されます。全ベンチマークにおいて、既存フロー・マッチング手法と比べて軌跡の曲率を2倍以上削減し、少数ステップレジームでより優れた生成品質を実現しています。