論文の概要: Exploring Diffusion and Flow Matching Under Generator Matching
- arxiv url: http://arxiv.org/abs/2412.11024v2
- Date: Tue, 17 Dec 2024 07:45:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-18 14:58:41.109168
- Title: Exploring Diffusion and Flow Matching Under Generator Matching
- Title（参考訳）: 発電機整合時の拡散・流れ整合の探索
- Authors: Zeeshan Patel, James DeLoye, Lance Mathias,
- Abstract要約: 拡散とフローマッチングは、Generator Matchingの統一されたフレームワークの下で見ることができる。
同じ生成的マルコフフレームワークの下で拡散とフローマッチングの両方をリキャストすることにより、フローマッチングモデルがより堅牢になる理由に関する理論的知見を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present a comprehensive theoretical comparison of diffusion and flow matching under the Generator Matching framework. Despite their apparent differences, both diffusion and flow matching can be viewed under the unified framework of Generator Matching. By recasting both diffusion and flow matching under the same generative Markov framework, we provide theoretical insights into why flow matching models can be more robust empirically and how novel model classes can be constructed by mixing deterministic and stochastic components. Our analysis offers a fresh perspective on the relationships between state-of-the-art generative modeling paradigms.
- Abstract（参考訳）: 本稿では,ジェネレータマッチングフレームワークにおける拡散と流れのマッチングに関する包括的な理論的比較について述べる。
明らかな相違にもかかわらず、拡散とフローマッチングは、ジェネレータマッチングの統一フレームワークの下で見ることができる。
同じ生成的マルコフフレームワークの下で拡散とフローマッチングの両方をリキャストすることにより、フローマッチングモデルがより堅牢である理由と、決定論的および確率的成分を混合することによって新しいモデルクラスを構築する方法に関する理論的知見を提供する。
我々の分析は、最先端のジェネレーティブ・モデリング・パラダイム間の関係について、新たな視点を提供する。
関連論文リスト
- Learning Energy-Based Generative Models via Potential Flow: A Variational Principle Approach to Probability Density Homotopy Matching [9.12119858170289]
エネルギーベースモデル(EBMs)は確率的生成モデルの強力なクラスである。
本稿では,新しいエネルギーベース生成フレームワークVPFBを提案する。
論文 参考訳（メタデータ） (2025-04-22T20:39:07Z) - Can Diffusion Models Disentangle? A Theoretical Perspective [52.360881354319986]
本稿では,拡散モデルが非交叉表現を学習する方法を理解するための新しい理論的枠組みを提案する。
我々は、一般的な非絡み付き潜在変数モデルの識別可能性条件を確立し、トレーニング力学を解析し、非絡み付き潜在部分空間モデルのサンプル複雑性境界を導出する。
論文 参考訳（メタデータ） (2025-03-31T20:46:18Z) - InterHandGen: Two-Hand Interaction Generation via Cascaded Reverse Diffusion [53.90516061351706]
両手インタラクションに先立って生成を学習する新しいフレームワークであるInterHandGenを提案する。
サンプリングにアンチペネティフィケーションと合成フリーガイダンスを組み合わせることで、プラウシブルな生成を可能にする。
本手法は, 妥当性と多様性の観点から, ベースライン生成モデルよりも有意に優れていた。
論文 参考訳（メタデータ） (2024-03-26T06:35:55Z) - Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian
Mixture Models [59.331993845831946]
拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。
本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
論文 参考訳（メタデータ） (2024-03-03T23:15:48Z) - On the Equivalence of Consistency-Type Models: Consistency Models,
Consistent Diffusion Models, and Fokker-Planck Regularization [68.13034137660334]
本稿では,異なる目的に対する拡散モデルの拡張を目的とした,最近の3つの一貫性の概念間の理論的関連性を提案する。
私たちの洞察は、一貫性型モデルのためのより包括的で包括的なフレームワークの可能性を提供します。
論文 参考訳（メタデータ） (2023-06-01T05:57:40Z) - Reduce, Reuse, Recycle: Compositional Generation with Energy-Based Diffusion Models and MCMC [102.64648158034568]
拡散モデルは、多くの領域において、生成モデリングの一般的なアプローチとなっている。
本稿では,新しい構成演算子の利用を可能にする拡散モデルのエネルギーベースパラメータ化を提案する。
これらのサンプルは、幅広い問題にまたがって構成生成の顕著な改善につながっている。
論文 参考訳（メタデータ） (2023-02-22T18:48:46Z) - Information-Theoretic Diffusion [18.356162596599436]
拡散モデルのデノイングは密度モデリングや画像生成において大きな進歩をもたらした。
情報理論における古典的な結果にインスパイアされた拡散モデルのための新しい数学的基礎を導入する。
論文 参考訳（メタデータ） (2023-02-07T23:03:07Z) - Generative Flows with Invertible Attentions [135.23766216657745]
生成フローモデルに対する2種類の非可逆的注意機構を導入する。
フロー特徴写像の2分割毎に注意重みと入力表現を学習するために,分割に基づく注意機構を利用する。
提案手法は, トラクタブルジャコビアン行列を用いた非可逆アテンションモジュールをフローベースモデルの任意の位置にシームレスに統合する。
論文 参考訳（メタデータ） (2021-06-07T20:43:04Z)
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。