論文の概要: Probability Density Geodesics in Image Diffusion Latent Space

• arxiv url: http://arxiv.org/abs/2504.06675v1
• Date: Wed, 09 Apr 2025 08:28:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-10 13:06:21.352732
• Title: Probability Density Geodesics in Image Diffusion Latent Space
• Title（参考訳）: 画像拡散遅延空間における確率密度測地
• Authors: Qingtao Yu, Jaskirat Singh, Zhaoyuan Yang, Peter Henry Tu, Jing Zhang, Hongdong Li, Richard Hartley, Dylan Campbell,
• Abstract要約: 測地拡散は潜在空間で計算可能であることを示す。 我々は、事前訓練された画像拡散空間における測地線とビデオクリップの密接な関係を分析する。
• 参考スコア（独自算出の注目度）: 57.99700072218375
• License:
• Abstract: Diffusion models indirectly estimate the probability density over a data space, which can be used to study its structure. In this work, we show that geodesics can be computed in diffusion latent space, where the norm induced by the spatially-varying inner product is inversely proportional to the probability density. In this formulation, a path that traverses a high density (that is, probable) region of image latent space is shorter than the equivalent path through a low density region. We present algorithms for solving the associated initial and boundary value problems and show how to compute the probability density along the path and the geodesic distance between two points. Using these techniques, we analyze how closely video clips approximate geodesics in a pre-trained image diffusion space. Finally, we demonstrate how these techniques can be applied to training-free image sequence interpolation and extrapolation, given a pre-trained image diffusion model.
• Abstract（参考訳）: 拡散モデルはデータ空間上の確率密度を間接的に推定し、その構造を研究するのに使用できる。 本研究では,空間的に変化する内部積によって誘導されるノルムが確率密度に逆比例する拡散潜在空間で測地学を計算可能であることを示す。 この定式化では、画像潜伏空間の高密度領域(つまり、可能な)を横切る経路は、低密度領域を通る等価経路よりも短い。 本稿では,初期値と境界値の問題を解くアルゴリズムを提案し,その経路に沿った確率密度と2点間の測地距離の計算方法を示す。 これらの手法を用いて、予め訓練された画像拡散空間における測地線とビデオクリップの密接な関係を分析する。 最後に,事前学習した画像拡散モデルを用いて,これらの手法がトレーニング不要な画像系列補間と外挿にどのように適用できるかを示す。

関連論文リスト

• Density Ratio Estimation via Sampling along Generalized Geodesics on Statistical Manifolds [0.951494089949975]
  インクリメンタルな混合に基づく密度比推定のための既存の手法を幾何学的に再解釈する。 そのような方法を達成するには、モンテカルロは2つの分布の変換を通して測地線に沿ってサンプリングする必要がある。 提案手法が既存手法より優れていることを示す実験を行った。
  論文  参考訳（メタデータ） (2024-06-27T00:44:46Z)
• Sequential transport maps using SoS density estimation and $α$-divergences [0.5999777817331317]
  輸送型密度推定法は, 近似密度から試料を効率よく生成できるため, 関心が高まりつつある。 本稿では,$alpha$-divergencesの情報幾何学的性質に基づいて,シーケンシャルトランスポートマップの新たな収束解析を行う。 本研究では,ベイズ推論問題と教師なし学習課題について数値解析を行った。
  論文  参考訳（メタデータ） (2024-02-27T23:52:58Z)
• A Heat Diffusion Perspective on Geodesic Preserving Dimensionality Reduction [66.21060114843202]
  熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。 その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。 また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-30T13:58:50Z)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)
• Featurized Density Ratio Estimation [82.40706152910292]
  本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。 この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。 同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
  論文  参考訳（メタデータ） (2021-07-05T18:30:26Z)
• Large-Scale Wasserstein Gradient Flows [84.73670288608025]
  ワッサーシュタイン勾配流を近似するスケーラブルなスキームを導入する。 我々のアプローチは、JKOステップを識別するために、入力ニューラルネットワーク(ICNN)に依存しています。 その結果、勾配拡散の各ステップで測定値からサンプリングし、その密度を計算することができる。
  論文  参考訳（メタデータ） (2021-06-01T19:21:48Z)
• Anomaly Detection with Density Estimation [2.0813318162800707]
  我々は新しい教師なし異常検出手法(ANODE)を提案する。 信号領域およびサイドバンドにおけるデータの確率密度を推定することにより、データとバックグラウンドとの確率比を構築することができる。 ANODEは信号領域とサイドバンドの体系的な違いに対して堅牢であり、他の方法よりも広い適用性を与えている。
  論文  参考訳（メタデータ） (2020-01-14T19:00:02Z)

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。