Kontinuierliche Normalisierungsflüsse (CNFs) können Datenverteilungen mit ausdrucksstarken, unendlich langen Architekturen modellieren. Die Modellierung erfordert jedoch einen rechenintensiven Prozess zur Lösung einer gewöhnlichen Differentialgleichung (ODE) während des Maximum-Likelihood-Trainings. Der kürzlich vorgeschlagene Flow-Matching-(FM)-Ansatz ermöglicht eine erhebliche Vereinfachung des Trainings durch die Verwendung eines Regressionsziels mit einem interpolierten Vorwärtsvektorfeld. In diesem Paper stellen wir einen interpolantenfreien dualen Flow-Matching-(DFM)-Ansatz vor, der keine expliziten Annahmen über das modellierte Vektorfeld trifft. DFM optimiert sowohl das Vorwärts- als auch ein zusätzliches Rückwärtsvektorfeldmodell mittels eines neuartigen Zielfunktionals, das die Bijektivität der Vorwärts- und Rückwärts-Transformationen fördert. Unsere Experimente mit der unüberwachten Anomalieerkennung auf dem SMAP-Datensatz zeigen, dass DFM gegenüber CNF-Modellen, die entweder mit Maximum-Likelihood oder mit FM-Zielfunktionen trainiert wurden, Vorteile bietet und die derzeit besten Leistungsmetriken erreicht.