論文の概要: Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow

• arxiv url: http://arxiv.org/abs/2209.03003v1
• Date: Wed, 7 Sep 2022 08:59:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-08 12:48:53.778698
• Title: Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow
• Title（参考訳）: flow straight and fast: 正規化フローによるデータ生成と転送の学習
• Authors: Xingchao Liu, Chengyue Gong, Qiang Liu
• Abstract要約: 我々は、(神経)常微分方程式(ODE)モデルを学ぶための驚くほど単純なアプローチである整流流を提示する。 補正フローは画像生成,画像から画像への変換,ドメイン適応に優しく作用することを示す。
• 参考スコア（独自算出の注目度）: 32.459587479351846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present rectified flow, a surprisingly simple approach to learning (neural) ordinary differential equation (ODE) models to transport between two empirically observed distributions \pi_0 and \pi_1, hence providing a unified solution to generative modeling and domain transfer, among various other tasks involving distribution transport. The idea of rectified flow is to learn the ODE to follow the straight paths connecting the points drawn from \pi_0 and \pi_1 as much as possible. This is achieved by solving a straightforward nonlinear least squares optimization problem, which can be easily scaled to large models without introducing extra parameters beyond standard supervised learning. The straight paths are special and preferred because they are the shortest paths between two points, and can be simulated exactly without time discretization and hence yield computationally efficient models. We show that the procedure of learning a rectified flow from data, called rectification, turns an arbitrary coupling of \pi_0 and \pi_1 to a new deterministic coupling with provably non-increasing convex transport costs. In addition, recursively applying rectification allows us to obtain a sequence of flows with increasingly straight paths, which can be simulated accurately with coarse time discretization in the inference phase. In empirical studies, we show that rectified flow performs superbly on image generation, image-to-image translation, and domain adaptation. In particular, on image generation and translation, our method yields nearly straight flows that give high quality results even with a single Euler discretization step.
• Abstract（参考訳）: 本稿では,経験的に観測された2つの分布 \pi_0 と \pi_1 の間の移動を学習する(神経)常微分方程式 (ode) モデルに対する驚くほど単純な手法である整流フローを提案する。 整流の考え方は、ODE が \pi_0 と \pi_1 から引き出された点をできるだけ接続する直線経路を学習することである。 これは、単純な非線形最小二乗最適化問題を解くことで実現され、標準教師付き学習を超える余分なパラメータを導入することなく、大規模モデルに容易に拡張できる。 ストレートパスは2点間の最短経路であるため特別な経路であり、時間的離散化なしに正確にシミュレートできるため、計算効率の良いモデルとなる。 整流と呼ばれるデータから整流流を学習する過程は, 任意の結合である \pi_0 と \pi_1 を, 確実に増大する凸輸送コストとの新しい決定論的結合に変換する。 さらに,再帰的再帰的整流化により,逐次的に直線化が進む流れ列を得ることができ,推定位相の粗い時間離散化と正確にシミュレーションできる。 本研究では,画像生成や画像から画像への変換,ドメイン適応などにおいて,整流の流れが極めて重要であることを示す。 特に,画像生成と翻訳では,1つのオイラー離散化ステップでも高品質な結果が得られるようなほぼ直線的な流れが得られる。

関連論文リスト

• Straightness of Rectified Flow: A Theoretical Insight into Wasserstein Convergence [54.580605276017096]
  Rectified Flow (RF) は、一連の凸最適化問題を用いて、ノイズからデータへの直流軌跡の学習を目的としている。 RFは理論上、連続的な修正を通じて軌道を直線化し、サンプリング中の評価関数(NFE)の数を減少させる。 RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する最初の理論的解析を行った。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• Rectified Diffusion: Straightness Is Not Your Need in Rectified Flow [65.51671121528858]
  拡散モデルは、視覚生成を大幅に改善したが、生成ODEを解くという計算集約的な性質のため、生成速度の遅さによって妨げられている。 広く認識されている解である整流流は、ODEパスを直線化することで生成速度を向上させる。 本稿では,より広範な拡散モデルのカテゴリをカバーするために,設計空間と修正の応用範囲を一般化するRectified Diffusionを提案する。
  論文  参考訳（メタデータ） (2024-10-09T17:43:38Z)
• Consistency Flow Matching: Defining Straight Flows with Velocity Consistency [97.28511135503176]
  本稿では,速度場の自己整合性を明示する新しいFM法であるConsistency Flow Matching(Consistency-FM)を紹介する。 予備実験により、一貫性FMは、一貫性モデルよりも4.4倍速く収束することにより、トレーニング効率を著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-07-02T16:15:37Z)
• Flow Map Matching [15.520853806024943]
  フローマップマッチングは、基礎となる常微分方程式の2時間フローマップを学習するアルゴリズムである。 フローマップマッチングは, 拡散法や補間法と比較して, サンプリングコストを大幅に削減した高品質なサンプルとなることを示す。
  論文  参考訳（メタデータ） (2024-06-11T17:41:26Z)
• FlowIE: Efficient Image Enhancement via Rectified Flow [71.6345505427213]
  FlowIEはフローベースのフレームワークであり、基本的な分布から高品質な画像への直線パスを推定する。 私たちのコントリビューションは、合成および実世界のデータセットに関する包括的な実験を通じて、厳密に検証されています。
  論文  参考訳（メタデータ） (2024-06-01T17:29:29Z)
• Optimal Flow Matching: Learning Straight Trajectories in Just One Step [89.37027530300617]
  我々は,新しい最適フローマッチング手法を開発し,理論的に正当化する。 これは2次輸送のための直列のOT変位をFMの1ステップで回復することを可能にする。 提案手法の主な考え方は,凸関数によってパラメータ化されるFMのベクトル場の利用である。
  論文  参考訳（メタデータ） (2024-03-19T19:44:54Z)
• Variational Flow Models: Flowing in Your Style [32.913511518425864]
  我々は「線形」過程の確率フローを正定速度(SC)の流れに変換する。 この変換は、SCフローの新しいモデルを訓練することなく、Euler法による元の確率フローに沿って高速なサンプリングを容易にする。 高次数値解法を変換SC流に容易に組み込むことができ、サンプリング精度と効率をより高めることができる。
  論文  参考訳（メタデータ） (2024-02-05T12:58:29Z)
• Minimizing Trajectory Curvature of ODE-based Generative Models [45.89620603363946]
  拡散モデル、整流モデル、流れマッチングなどの最近の生成モデルは、生成過程を固定前進過程の時間反転として定義する。 我々は, ODE/SDEシミュレーションを使わずに生成軌道の曲率を最小化するために, 前進過程を効率的に訓練する方法を提案する。
  論文  参考訳（メタデータ） (2023-01-27T21:52:03Z)
• Gaussianization Flows [113.79542218282282]
  そこで本研究では,サンプル生成における効率のよい繰り返しと効率のよい逆変換を両立できる新しい型正規化フローモデルを提案する。 この保証された表現性のため、サンプル生成の効率を損なうことなく、マルチモーダルなターゲット分布をキャプチャできる。
  論文  参考訳（メタデータ） (2020-03-04T08:15:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。