論文の概要: Exploring Straighter Trajectories of Flow Matching with Diffusion Guidance

• arxiv url: http://arxiv.org/abs/2311.16507v1
• Date: Tue, 28 Nov 2023 06:19:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-29 20:02:11.904349
• Title: Exploring Straighter Trajectories of Flow Matching with Diffusion Guidance
• Title（参考訳）: 拡散誘導を伴う流れマッチングのストレートな軌跡の探索
• Authors: Siyu Xing, Jie Cao, Huaibo Huang, Xiao-Yu Zhang, Ran He
• Abstract要約: フローマッチング(StraightFM)のストレートトラジェクトリを提案する。 分布レベル全体から拡散モデルによって導かれる結合戦略により軌道を直線化する。 拡散法と従来のフローマッチング法の間で、FIDが低い視覚的に魅力的な画像を生成する。
• 参考スコア（独自算出の注目度）: 66.4153984834872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flow matching as a paradigm of generative model achieves notable success across various domains. However, existing methods use either multi-round training or knowledge within minibatches, posing challenges in finding a favorable coupling strategy for straight trajectories. To address this issue, we propose a novel approach, Straighter trajectories of Flow Matching (StraightFM). It straightens trajectories with the coupling strategy guided by diffusion model from entire distribution level. First, we propose a coupling strategy to straighten trajectories, creating couplings between image and noise samples under diffusion model guidance. Second, StraightFM also integrates real data to enhance training, employing a neural network to parameterize another coupling process from images to noise samples. StraightFM is jointly optimized with couplings from above two mutually complementary directions, resulting in straighter trajectories and enabling both one-step and few-step generation. Extensive experiments demonstrate that StraightFM yields high quality samples with fewer step. StraightFM generates visually appealing images with a lower FID among diffusion and traditional flow matching methods within 5 sampling steps when trained on pixel space. In the latent space (i.e., Latent Diffusion), StraightFM achieves a lower KID value compared to existing methods on the CelebA-HQ 256 dataset in fewer than 10 sampling steps.
• Abstract（参考訳）: 生成モデルのパラダイムとしてのフローマッチングは、さまざまなドメインで注目すべき成功を収めます。 しかし、既存の方法はマルチラウンドトレーニングまたはミニバッチ内の知識を使用しており、ストレートトラジェクタの適切な結合戦略を見つける上での課題となっている。 この問題に対処するため,我々はフローマッチングのストレートトラジェクタ(straightfm)という新しい手法を提案する。 分布レベル全体から拡散モデルによって導かれる結合戦略により軌道を直線化する。 まず,トラジェクタをストレート化するための結合戦略を提案し,拡散モデル指導下で画像と雑音サンプルのカップリングを作成する。 第二に、straightfmは実際のデータを統合してトレーニングを強化し、ニューラルネットワークを使って画像からノイズサンプルへの別の結合プロセスをパラメータ化する。 ストレートFMは、相互に相補的な2つの方向からの結合で共同最適化され、より直線的な軌道となり、ワンステップと数ステップの両方を生成できる。 広範囲な実験により、StraightFMはより少ないステップで高品質なサンプルを生成することが示された。 StraightFMは、拡散法と従来のフローマッチング法の間でFIDが低い視覚的に魅力的な画像を生成する。 潜時空間(すなわち潜時拡散)において、straightfmは、celeba-hq 256データセットの既存の方法に比べて10以下のサンプリングステップで低いkid値を達成する。

関連論文リスト

• 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)
• Improving Consistency Models with Generator-Induced Coupling [14.939615590071917]
  本研究では,入力ノイズデータを一貫性モデル自体から生成した出力に関連付ける新しい結合手法を提案する。 当社の安価なアプローチでは,一貫性モデル固有の能力を活用して,単一のステップでトランスポートマップを計算しています。
  論文  参考訳（メタデータ） (2024-06-13T20:22:38Z)
• 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)
• 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)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Underwater Image Enhancement by Transformer-based Diffusion Model with Non-uniform Sampling for Skip Strategy [2.056162650908794]
  水中シーンにおける拡散モデルを用いた画像強調手法を提案する。 本手法は,条件付き拡散確率モデルに適応し,対応する拡張画像を生成する。 実験結果から,本手法は競争性能と高い効率を両立できることが示された。
  論文  参考訳（メタデータ） (2023-09-07T01:58:06Z)
• Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
  我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。 シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。 本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T07:30:27Z)
• Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow [32.459587479351846]
  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。
  論文  参考訳（メタデータ） (2022-09-07T08:59:55Z)
• Light Field Saliency Detection with Dual Local Graph Learning andReciprocative Guidance [148.9832328803202]
  我々は、グラフネットワークを介して焦点スタック内のインフォメーション融合をモデル化する。 我々は、全焦点パタンを用いて焦点スタック融合過程をガイドする新しいデュアルグラフモデルを構築した。
  論文  参考訳（メタデータ） (2021-10-02T00:54:39Z)

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。