論文の概要: Optimal Flow Matching: Learning Straight Trajectories in Just One Step
- arxiv url: http://arxiv.org/abs/2403.13117v1
- Date: Tue, 19 Mar 2024 19:44:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-21 18:47:08.632492
- Title: Optimal Flow Matching: Learning Straight Trajectories in Just One Step
- Title(参考訳): 最適フローマッチング: たった1ステップで直線軌道を学習する
- Authors: Nikita Kornilov, Alexander Gasnikov, Alexander Korotin,
- Abstract要約: ストレートネスは学習した流れの経路を素早く統合するために重要である。
既存のフローストレート化手法の多くは、非自明な反復的な手順に基づいている。
本研究では, 直列OT変位を2次コストで回収する新しい最適流れマッチング手法を, 1つのフローマッチングステップで開発する。
- 参考スコア(独自算出の注目度): 94.29870091652677
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Over the several recent years, there has been a boom in development of flow matching methods for generative modeling. One intriguing property pursued by the community is the ability to learn flows with straight trajectories which realize the optimal transport (OT) displacements. Straightness is crucial for fast integration of the learned flow's paths. Unfortunately, most existing flow straightening methods are based on non-trivial iterative procedures which accumulate the error during training or exploit heuristic minibatch OT approximations. To address this issue, we develop a novel optimal flow matching approach which recovers the straight OT displacement for the quadratic cost in just one flow matching step.
- Abstract(参考訳): 近年,生成モデルのためのフローマッチング手法の開発が盛んに行われている。
コミュニティが追求する興味深い特性の1つは、最適な輸送(OT)変位を実現する直線軌道で流れを学習する能力である。
学習したフローのパスを素早く統合するには、ストレートネスが重要です。
残念ながら、既存のフローストレート化手法のほとんどは、トレーニング中にエラーを蓄積したり、ヒューリスティックなミニバッチOT近似を利用する非自明な反復手順に基づいている。
この問題に対処するため, 直列OT変位を2次コストで回収する最適流れマッチング手法を, たった1つのフローマッチングステップで開発する。
関連論文リスト
- Variational Flow Models: Flowing in Your Style [32.913511518425864]
我々は「線形」過程の後流を直列定速(SC)流れに変換する。
この変換は、SC流の新しいモデルを訓練することなく、元の後流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) - 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) - AccFlow: Backward Accumulation for Long-Range Optical Flow [70.4251045372285]
本稿では、長距離光フロー推定のためのAccFlowと呼ばれる新しいリカレントフレームワークを提案する。
従来の前方累積よりも後方累積の方が優れていることを示す。
長距離光流量推定におけるAccFlowの有効性を検証する実験
論文 参考訳(メタデータ) (2023-08-25T01:51:26Z) - Flow Guidance Deformable Compensation Network for Video Frame
Interpolation [33.106776459443275]
既存の動きに基づく手法の欠点を克服するため,フローガイダンス変形補償ネットワーク(FGDCN)を提案する。
FGDCNは、フレームサンプリングプロセスをフローステップと変形ステップの2つのステップに分解する。
実験結果から,提案アルゴリズムはパラメータが少ない各種データセットに対して優れた性能を示すことがわかった。
論文 参考訳(メタデータ) (2022-11-22T09:35:14Z) - 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) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳(メタデータ) (2022-06-29T22:19:03Z) - Accurate non-stationary short-term traffic flow prediction method [0.0]
本稿では,Long Short-Term Memory (LSTM) に基づく,短時間のトラフィックフローを正確に予測できる手法を提案する。
提案手法は, 極端外れ値, 遅延効果, トレンド変化応答に対して, 優れた性能を有する他の最先端手法に対して良好に動作する。
論文 参考訳(メタデータ) (2022-05-01T17:11:34Z) - Deep Equilibrium Optical Flow Estimation [80.80992684796566]
最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。
これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。
暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
論文 参考訳(メタデータ) (2022-04-18T17:53:44Z) - GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
光フロー推定学習のためのGMFlowフレームワークを提案する。
機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。
我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
論文 参考訳(メタデータ) (2021-11-26T18:59:56Z)
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。