論文の概要: Reflected Flow Matching

• arxiv url: http://arxiv.org/abs/2405.16577v1
• Date: Sun, 26 May 2024 14:09:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-28 20:29:27.952969
• Title: Reflected Flow Matching
• Title（参考訳）: リフレクションフローマッチング
• Authors: Tianyu Xie, Yu Zhu, Longlin Yu, Tong Yang, Ziheng Cheng, Shiyue Zhang, Xiangyu Zhang, Cheng Zhang,
• Abstract要約: 連続正規化フロー(CNF)は通常の微分方程式を学習し、先行サンプルをデータに変換する。 流れマッチング (FM) は, 条件付速度場に向けて速度モデルを回帰させることによりCNFを訓練するシミュレーションのない手法として登場した。 シミュレーション不要な条件付き速度場をマッチングすることにより, 反射型CNFの速度モデルをトレーニングするための反射流マッチング(RFM)を提案する。
• 参考スコア（独自算出の注目度）: 36.38883647601013
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continuous normalizing flows (CNFs) learn an ordinary differential equation to transform prior samples into data. Flow matching (FM) has recently emerged as a simulation-free approach for training CNFs by regressing a velocity model towards the conditional velocity field. However, on constrained domains, the learned velocity model may lead to undesirable flows that result in highly unnatural samples, e.g., oversaturated images, due to both flow matching error and simulation error. To address this, we add a boundary constraint term to CNFs, which leads to reflected CNFs that keep trajectories within the constrained domains. We propose reflected flow matching (RFM) to train the velocity model in reflected CNFs by matching the conditional velocity fields in a simulation-free manner, similar to the vanilla FM. Moreover, the analytical form of conditional velocity fields in RFM avoids potentially biased approximations, making it superior to existing score-based generative models on constrained domains. We demonstrate that RFM achieves comparable or better results on standard image benchmarks and produces high-quality class-conditioned samples under high guidance weight.
• Abstract（参考訳）: 連続正規化フロー(CNF)は通常の微分方程式を学習し、先行サンプルをデータに変換する。 流れマッチング (FM) は, 条件付速度場に向けて速度モデルを回帰させることにより, CNF を訓練するためのシミュレーションのない手法として最近登場した。 しかし、制約された領域では、学習速度モデルが望ましくない流れを引き起こす可能性があり、フローマッチング誤差とシミュレーション誤差の両方により、高度に不自然なサンプル、例えば過飽和画像が生じる。 この問題に対処するために、境界制約項をCNFに追加し、制約領域内に軌道を保持するCNFを反映させる。 本研究では,バニラFMと同様,条件付速度場をシミュレーションのない方法でマッチングすることにより,反射CNFの速度モデルをトレーニングするための反射流マッチング(RFM)を提案する。 さらに、RFMにおける条件速度場の解析形式は、潜在的な偏りの近似を回避し、制約領域上の既存のスコアベース生成モデルよりも優れている。 我々は,RAMが標準画像ベンチマークと同等あるいはより良い結果が得られることを実証し,高誘導重みで高品質なクラス条件付きサンプルを生成することを示した。

関連論文リスト

• DFM: Interpolant-free Dual Flow Matching [0.8192907805418583]
  モデルベクトル場に関する明示的な仮定を伴わない補間自由二重流れマッチング(DFM)手法を提案する。 SMAPによる教師なし異常検出実験は、最大極度またはFM目標で訓練されたCNFと比較して、DFMの利点を示す。
  論文  参考訳（メタデータ） (2024-10-11T20:46:04Z)
• Stream-level flow matching from a Bayesian decision theoretic perspective [4.935875591615496]
  フローマッチング(英: Flow matching, FM)は、連続正規化フロー(CNF)を適合させる訓練アルゴリズムの一群である。 我々は,パラメータ推定におけるベイズ決定論的な視点からCFMトレーニングを観ることによって,CFMアルゴリズムの一般化への扉を開くことを示す。
  論文  参考訳（メタデータ） (2024-09-30T15:47:22Z)
• 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 matching achieves almost minimax optimal convergence [50.38891696297888]
  フローマッチング (FM) は, シミュレーションのない生成モデルとして注目されている。 本稿では,大試料径のFMの収束特性を$p$-Wasserstein 距離で論じる。 我々は、FMが1leq p leq 2$でほぼ最小の収束率を達成できることを確立し、FMが拡散モデルに匹敵する収束率に達するという最初の理論的証拠を示す。
  論文  参考訳（メタデータ） (2024-05-31T14:54:51Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• Locality-constrained autoregressive cum conditional normalizing flow for lattice field theory simulations [0.0]
  局所作用積分は条件正規化フローの入力領域を単純化する。 その結果,l-ACNFモデルの自己相関時間は,全格子上の等価正規化フローモデルよりも桁違いに優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-04T13:55:51Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Flow Matching for Generative Modeling [44.66897082688762]
  フローマッチングは、連続正規化フロー(CNF)のトレーニングのためのシミュレーション不要なアプローチである 拡散経路を持つFMを用いることで、より堅牢で安定した拡散モデルの代替となることが判明した。 ImageNet上でFlow Matchingを使用したCNFのトレーニングは、可能性とサンプル品質の両方の観点から最先端のパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2022-10-06T08:32:20Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。