論文の概要: Variational Rectified Flow Matching

• arxiv url: http://arxiv.org/abs/2502.09616v1
• Date: Thu, 13 Feb 2025 18:59:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:49:34.298452
• Title: Variational Rectified Flow Matching
• Title（参考訳）: 変分整流流マッチング
• Authors: Pengsheng Guo, Alexander G. Schwing,
• Abstract要約: 多モード速度ベクトル場をモデル化して古典的整流流マッチングを改良する。 変動補正フローマッチングが有意な結果をもたらす合成データについて述べる。
• 参考スコア（独自算出の注目度）: 100.63726791602049
• License:
• Abstract: We study Variational Rectified Flow Matching, a framework that enhances classic rectified flow matching by modeling multi-modal velocity vector-fields. At inference time, classic rectified flow matching 'moves' samples from a source distribution to the target distribution by solving an ordinary differential equation via integration along a velocity vector-field. At training time, the velocity vector-field is learnt by linearly interpolating between coupled samples one drawn from the source and one drawn from the target distribution randomly. This leads to ''ground-truth'' velocity vector-fields that point in different directions at the same location, i.e., the velocity vector-fields are multi-modal/ambiguous. However, since training uses a standard mean-squared-error loss, the learnt velocity vector-field averages ''ground-truth'' directions and isn't multi-modal. In contrast, variational rectified flow matching learns and samples from multi-modal flow directions. We show on synthetic data, MNIST, CIFAR-10, and ImageNet that variational rectified flow matching leads to compelling results.
• Abstract（参考訳）: 多モード速度ベクトル場をモデル化して古典的整流流マッチングを強化するフレームワークである変分整流マッチングについて検討する。 推定時に、古典的整流流マッチングは、速度ベクトル場に沿った積分により通常の微分方程式を解くことにより、ソース分布からターゲット分布へのサンプルを「移動」する。 トレーニング時には、ソースから引き出された結合サンプルとターゲット分布から引き出されたベロシティベクトル場をランダムに線形に補間することにより、ベロシティベクトル場を学習する。 これにより、速度ベクトル場は同じ位置で異なる方向を指さす「基底真実」な速度ベクトル場、すなわち速度ベクトル場は多モーダル/曖昧である。 しかし、トレーニングでは平均二乗誤差損失が標準であるため、学習速度ベクトル場平均は「地上真実」の方向であり、マルチモーダルではない。 対照的に、変分整流マッチングは、多モーダルフロー方向から学習およびサンプルを学習する。 合成データ(MNIST, CIFAR-10, ImageNet)に, 変動補正フローマッチングが有意な結果をもたらすことを示す。

関連論文リスト

• Flow Matching: Markov Kernels, Stochastic Processes and Transport Plans [1.9766522384767222]
  フローマッチング技術は、逆問題の解決に利用できる。 逆問題の解法として,フローマッチングが有効であることを示す。 本稿では,連続正規化フローとスコアマッチング手法について簡潔に述べる。
  論文  参考訳（メタデータ） (2025-01-28T10:28:17Z)
• Rectified Diffusion: Straightness Is Not Your Need in Rectified Flow [65.51671121528858]
  拡散モデルは、視覚生成を大幅に改善したが、生成ODEを解くという計算集約的な性質のため、生成速度の遅さによって妨げられている。 広く認識されている解である整流流は、ODEパスを直線化することで生成速度を向上させる。 本稿では,より広範な拡散モデルのカテゴリをカバーするために,設計空間と修正の応用範囲を一般化するRectified Diffusionを提案する。
  論文  参考訳（メタデータ） (2024-10-09T17:43:38Z)
• Unsupervised Representation Learning from Sparse Transformation Analysis [79.94858534887801]
  本稿では,潜在変数のスパース成分への変換を分解し,シーケンスデータから表現を学習することを提案する。 入力データは、まず潜伏活性化の分布として符号化され、その後確率フローモデルを用いて変換される。
  論文  参考訳（メタデータ） (2024-10-07T23:53:25Z)
• 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 Map Matching [15.520853806024943]
  フローマップマッチングは、基礎となる常微分方程式の2時間フローマップを学習するアルゴリズムである。 フローマップマッチングは, 拡散法や補間法と比較して, サンプリングコストを大幅に削減した高品質なサンプルとなることを示す。
  論文  参考訳（メタデータ） (2024-06-11T17:41:26Z)
• MGF: Mixed Gaussian Flow for Diverse Trajectory Prediction [72.70572835589158]
  本稿では,軌道予測のための正規化フローモデルに対して,混合ガウス前駆体を構築することを提案する。 提案手法は,一般的な UCY/ETH および SDD データセットにおける軌道アライメントと多様性の評価において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-02-19T15:48:55Z)
• 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)
• Building Normalizing Flows with Stochastic Interpolants [11.22149158986164]
  一対の基底分布と対象分布の間の連続時間正規化フローに基づく単純な2次モデルを提案する。 この流れの速度場は、基地と目標の間を有限時間で補間する時間依存分布の確率電流から推定される。
  論文  参考訳（メタデータ） (2022-09-30T16:30:31Z)
• LiteFlowNet3: Resolving Correspondence Ambiguity for More Accurate Optical Flow Estimation [99.19322851246972]
  本稿では,光フロー推定の問題に対処する2つのモジュールからなるディープネットワークである LiteFlowNet3 を紹介する。 LiteFlowNet3は、公開ベンチマークで有望な結果を達成するだけでなく、小さなモデルサイズと高速なランタイムも備えている。
  論文  参考訳（メタデータ） (2020-07-18T03:30:39Z)

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。