論文の概要: Training-Free Constrained Generation With Stable Diffusion Models

• arxiv url: http://arxiv.org/abs/2502.05625v3
• Date: Fri, 06 Jun 2025 20:42:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 11:53:35.383485
• Title: Training-Free Constrained Generation With Stable Diffusion Models
• Title（参考訳）: 安定拡散モデルによる学習自由制約生成
• Authors: Stefano Zampini, Jacob K. Christopher, Luca Oneto, Davide Anguita, Ferdinando Fioretto,
• Abstract要約: 安定拡散モデルは、様々な領域にまたがるデータ合成における最先端のモデルである。 本稿では,安定拡散モデルと制約付き最適化フレームワークの新たな統合を提案する。 このアプローチの有効性は、精密な形態計測特性の付着を必要とする材料設計実験によって実証される。
• 参考スコア（独自算出の注目度）: 45.138721047543214
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stable diffusion models represent the state-of-the-art in data synthesis across diverse domains and hold transformative potential for applications in science and engineering, e.g., by facilitating the discovery of novel solutions and simulating systems that are computationally intractable to model explicitly. While there is increasing effort to incorporate physics-based constraints into generative models, existing techniques are either limited in their applicability to latent diffusion frameworks or lack the capability to strictly enforce domain-specific constraints. To address this limitation this paper proposes a novel integration of stable diffusion models with constrained optimization frameworks, enabling the generation of outputs satisfying stringent physical and functional requirements. The effectiveness of this approach is demonstrated through material design experiments requiring adherence to precise morphometric properties, challenging inverse design tasks involving the generation of materials inducing specific stress-strain responses, and copyright-constrained content generation tasks.
• Abstract（参考訳）: 安定拡散モデルは、様々な領域にまたがるデータ合成の最先端を表現し、新しい解の発見を容易にし、明確にモデル化するために計算的に難解なシステムをシミュレートすることで、科学や工学の応用に変革の可能性を秘めている。 物理に基づく制約を生成モデルに組み込む努力が増えているが、既存のテクニックは、潜伏拡散フレームワークの適用性に制限されているか、ドメイン固有の制約を厳格に強制する能力が欠けているかのいずれかである。 この制限に対処するために、制約付き最適化フレームワークによる安定拡散モデルの新たな統合を提案し、厳密な物理的および機能的要求を満たす出力の生成を可能にする。 本手法の有効性は, 厳密な形態計測特性の固執を必要とする材料設計実験, 特定のストレス-制約応答を誘発する材料の生成を含む逆設計課題, 著作権制約のあるコンテンツ生成タスクによって実証される。

関連論文リスト

• Constrained Language Generation with Discrete Diffusion Models [61.81569616239755]
  本稿では,離散拡散モデルと微分可能最適化を統合し,自然言語に制約を課す新しい手法であるConstrained Discrete Diffusion (CDD)を提案する。 本手法は, 有害な内容の出現防止による毒性軽減, (ii) 形質および配列レベルの語彙的制約, (iii) 特定の性質に順応した新規分子配列生成など, 様々な自然言語制約を満たすために適用可能であることを示す。
  論文  参考訳（メタデータ） (2025-03-12T19:48:12Z)
• Efficient Fine-Tuning and Concept Suppression for Pruned Diffusion Models [93.76814568163353]
  本稿では,2段階の拡散モデルに対する新しい最適化フレームワークを提案する。 このフレームワークは、微調整と未学習のプロセスを統一的なフェーズに統合する。 様々なプルーニングや概念未学習の手法と互換性がある。
  論文  参考訳（メタデータ） (2024-12-19T19:13:18Z)
• Hard Constraint Guided Flow Matching for Gradient-Free Generation of PDE Solutions [41.558608119074755]
  計算コストや微調整を必要とせず、ゼロショットで制約を正確に満たすために、事前訓練された非拘束フローマッチングモデルを適用するための新しいフレームワークを提案する。 ECIサンプリングの枠組みは外挿(E)、補正(C)、生成(I)の段階を交互に行い、生成の妥当性を保ちながら制約情報の正確な統合を保証する。 本研究では,これらの制約により引き起こされる複雑な分散シフトを正確に把握し,ECI誘導生成が物理的制約に厳密に準拠することを示し,PDEシステムにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-12-02T18:36:26Z)
• Constrained Synthesis with Projected Diffusion Models [47.56192362295252]
  本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。 提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
  論文  参考訳（メタデータ） (2024-02-05T22:18:16Z)
• CoCoGen: Physically-Consistent and Conditioned Score-based Generative Models for Forward and Inverse Problems [1.0923877073891446]
  この研究は生成モデルの到達範囲を物理的問題領域に拡張する。 基礎となるPDEとの整合性を促進するための効率的なアプローチを提案する。 各種物理課題におけるスコアベース生成モデルの可能性と汎用性を示す。
  論文  参考訳（メタデータ） (2023-12-16T19:56:10Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Extreme sparsification of physics-augmented neural networks for interpretable model discovery in mechanics [0.0]
  本稿では,L0$-regularizationのスムーズなバージョンを用いて,正規化された物理拡張ニューラルネットワークモデルを訓練することを提案する。 本手法は, 可圧縮・非圧縮熱力学, 降伏関数, 弾塑性の硬化モデルに対して, 解釈可能かつ信頼性の高いモデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-10-05T16:28:58Z)
• Neural Abstractions [72.42530499990028]
  本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。 提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-01-27T12:38:09Z)
• A data-driven peridynamic continuum model for upscaling molecular dynamics [3.1196544696082613]
  分子動力学データから最適線形ペリダイナミックソリッドモデルを抽出する学習フレームワークを提案する。 我々は,符号変化の影響関数を持つ離散化LPSモデルに対して,十分な適切な正当性条件を提供する。 このフレームワークは、結果のモデルが数学的に適切であり、物理的に一貫したものであり、トレーニング中に使用するものと異なる設定によく当てはまることを保証します。
  論文  参考訳（メタデータ） (2021-08-04T07:07:47Z)

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。