論文の概要: Adversarial Schrödinger Bridge Matching

• arxiv url: http://arxiv.org/abs/2405.14449v2
• Date: Tue, 05 Nov 2024 11:10:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-06 14:56:11.373140
• Title: Adversarial Schrödinger Bridge Matching
• Title（参考訳）: Adversarial Schrödinger Bridge Matching
• Authors: Nikita Gushchin, Daniil Selikhanovych, Sergei Kholkin, Evgeny Burnaev, Alexander Korotin,
• Abstract要約: 反復マルコフフィッティング(IMF)手順は、マルコフ過程の相互射影と相互射影を交互に交互に行う。 本稿では、プロセスの学習を離散時間でほんの少しの遷移確率の学習に置き換える新しい離散時間IMF(D-IMF)手順を提案する。 D-IMFの手続きは、数百ではなく数世代のステップで、IMFと同じ品質の未完成のドメイン翻訳を提供できることを示す。
• 参考スコア（独自算出の注目度）: 66.39774923893103
• License:
• Abstract: The Schr\"odinger Bridge (SB) problem offers a powerful framework for combining optimal transport and diffusion models. A promising recent approach to solve the SB problem is the Iterative Markovian Fitting (IMF) procedure, which alternates between Markovian and reciprocal projections of continuous-time stochastic processes. However, the model built by the IMF procedure has a long inference time due to using many steps of numerical solvers for stochastic differential equations. To address this limitation, we propose a novel Discrete-time IMF (D-IMF) procedure in which learning of stochastic processes is replaced by learning just a few transition probabilities in discrete time. Its great advantage is that in practice it can be naturally implemented using the Denoising Diffusion GAN (DD-GAN), an already well-established adversarial generative modeling technique. We show that our D-IMF procedure can provide the same quality of unpaired domain translation as the IMF, using only several generation steps instead of hundreds. We provide the code at https://github.com/Daniil-Selikhanovych/ASBM.
• Abstract（参考訳）: Schr\"odinger Bridge (SB) 問題は、最適な輸送モデルと拡散モデルを組み合わせるための強力なフレームワークを提供する。 SB問題を解くための有望な最近のアプローチは、マルコフ的確率過程の相互射影と相互射影を交互に交互に行う反復マルコフ的フィッティング(IMF)手順である。 しかし、IMFの手続きによって構築されたモデルは、確率微分方程式の数値解法の多くのステップを使用するため、長い推論時間を持つ。 この制限に対処するため、確率過程の学習を離散時間でほんの少しの遷移確率の学習に置き換える新しい離散時間IMF(D-IMF)手順を提案する。 その大きな利点は、実際には、既に確立された逆生成モデリング技術であるDenoising Diffusion GAN (DD-GAN)を用いて自然に実装できることである。 D-IMFの手続きは、数百ではなく数世代のステップで、IMFと同じ品質の未完成のドメイン翻訳を提供できることを示す。 コードはhttps://github.com/Daniil-Selikhanovych/ASBMで公開しています。

関連論文リスト

• Diffusion & Adversarial Schrödinger Bridges via Iterative Proportional Markovian Fitting [60.003813643818965]
  反復的マルコフ・フィッティング (IMF) 手順は, 反復的相互予測とマルコフ・プロジェクションに基づいて, シュル・オーディンガー橋問題の解法として提案されている。 この手順を実践するためには、各イテレーションで前方時間と後方時間との拡散を交互に行うことが不可欠である。 本研究は,本手法をIPF (Iterative Proportional Fitting) 法に基づくSchr"odinger Bridgeの先駆的アプローチと密接に関連していることを示す。
  論文  参考訳（メタデータ） (2024-10-03T15:43:17Z)
• Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting [26.141054975797868]
  時系列予測(TSF)のための新しい適応型マルチスケール分解(AMD)フレームワークを提案する。 我々のフレームワークは時系列を複数のスケールで異なる時間パターンに分解し、MDM(Multi-Scale Decomposable Mixing)ブロックを活用する。 提案手法は,時間依存性とチャネル依存性の両方を効果的にモデル化し,マルチスケールデータ統合を改良するために自己相関を利用する。
  論文  参考訳（メタデータ） (2024-06-06T05:27:33Z)
• Neural Shrödinger Bridge Matching for Pansharpening [14.131205410479357]
  近年,パンシャルペン分野における拡散確率モデル (DPM) が注目されている。 逆問題としてパンシャーペンのタスクに直接DPMを適用する際の欠点を同定する。 両問題に対処するSchr"odinger bridge matching法を提案する。
  論文  参考訳（メタデータ） (2024-04-17T14:17:05Z)
• Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
  本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。 画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
  論文  参考訳（メタデータ） (2023-11-02T02:05:38Z)
• Generative Fractional Diffusion Models [53.36835573822926]
  我々は,その基礎となる力学に分数拡散過程を利用する,最初の連続時間スコアベース生成モデルを導入する。 実画像データを用いた評価では,GFDMはFIDが低い値で示されるように,画素幅の多様性と画質の向上を実現している。
  論文  参考訳（メタデータ） (2023-10-26T17:53:24Z)
• Fast Diffusion Model [122.36693015093041]
  拡散モデル(DM)は、複雑なデータ分布を捉える能力を持つ様々な分野に採用されている。 本稿では,DM最適化の観点から,高速拡散モデル (FDM) を提案する。
  論文  参考訳（メタデータ） (2023-06-12T09:38:04Z)
• Diffusion Schr\"odinger Bridge Matching [36.95088080680221]
  反復マルコフフィッティング(IMF)と拡散シュリンガーブリッジマッチング(DSBM)を紹介する。 IMFはSB問題を解決するための新しい手法であり、DSBMはIMFの反復計算のための新しい数値アルゴリズムである。 様々な問題についてDSBMの性能を実証する。
  論文  参考訳（メタデータ） (2023-03-29T16:59:22Z)
• Bayesian Pseudo-Coresets via Contrastive Divergence [5.479797073162603]
  対照的な発散を利用して擬似コアセットを構築するための新しい手法を提案する。 これは擬似コアセット構築プロセスにおける近似の必要性を排除する。 複数のデータセットに対して広範な実験を行い、既存のBPC技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-20T17:13:50Z)
• Pseudo Numerical Methods for Diffusion Models on Manifolds [77.40343577960712]
  Denoising Diffusion Probabilistic Models (DDPM) は、画像やオーディオサンプルなどの高品質なサンプルを生成することができる。 DDPMは最終的なサンプルを生成するために数百から数千のイテレーションを必要とする。 拡散モデル(PNDM)の擬似数値法を提案する。 PNDMは、1000段DDIM(20倍の高速化)と比較して、50段の精度で高品質な合成画像を生成することができる
  論文  参考訳（メタデータ） (2022-02-20T10:37:52Z)

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。