論文の概要: Flow Along the K-Amplitude for Generative Modeling

• arxiv url: http://arxiv.org/abs/2504.19353v1
• Date: Sun, 27 Apr 2025 20:38:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.248987
• Title: Flow Along the K-Amplitude for Generative Modeling
• Title（参考訳）: 生成モデリングのためのK振幅に沿った流れ
• Authors: Weitao Du, Shuning Chang, Jiasheng Tang, Yu Rong, Fan Wang, Shengchao Liu,
• Abstract要約: K-Flowは、$K$-amplitudeに沿って流れるアルゴリズムである。 非条件画像生成、クラス条件画像生成、分子組立生成に関する実験を行う。
• 参考スコア（独自算出の注目度）: 36.66450506711408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we propose a novel generative learning paradigm, K-Flow, an algorithm that flows along the $K$-amplitude. Here, $k$ is a scaling parameter that organizes frequency bands (or projected coefficients), and amplitude describes the norm of such projected coefficients. By incorporating the $K$-amplitude decomposition, K-Flow enables flow matching across the scaling parameter as time. We discuss three venues and six properties of K-Flow, from theoretical foundations, energy and temporal dynamics, and practical applications, respectively. Specifically, from the practical usage perspective, K-Flow allows steerable generation by controlling the information at different scales. To demonstrate the effectiveness of K-Flow, we conduct experiments on unconditional image generation, class-conditional image generation, and molecule assembly generation. Additionally, we conduct three ablation studies to demonstrate how K-Flow steers scaling parameter to effectively control the resolution of image generation.
• Abstract（参考訳）: そこで本研究では,K$-amplitudeに沿って流れるアルゴリズムであるK-Flowを提案する。 ここで、$k$は周波数帯域(または射影係数)を整理するスケーリングパラメータであり、振幅はそのような射影係数のノルムを記述する。 K$-amplitude分解を組み込むことで、K-Flowはスケーリングパラメータ間のフローマッチングを時間として可能にする。 本稿では,K-Flowの3つの会場と6つの特性について論じる。 具体的には、実用的利用の観点から、K-Flowは異なるスケールで情報を制御することで、ステアブルな生成を可能にする。 K-Flowの有効性を示すため,無条件画像生成,クラス条件画像生成,分子組立生成の実験を行った。 さらに,K-Flowのスケーリングパラメータが画像生成の解像度を効果的に制御できることを示すために,3つのアブレーション研究を行った。

関連論文リスト

• Entropy-Informed Weighting Channel Normalizing Flow [7.751853409569806]
  正規化および機能依存の$mathttShuffle$演算を提案し,それをバニラマルチスケールアーキテクチャに統合する。 このような操作はエントロピー増加方向の変数を誘導するので、$mathttShuffle$演算をemphEntropy-Informed Weighting Channel Normalizing Flow (EIW-Flow)と呼ぶNFを参照する。
  論文  参考訳（メタデータ） (2024-07-06T04:46:41Z)
• GAFlow: Incorporating Gaussian Attention into Optical Flow [62.646389181507764]
  我々はガウス的注意(GA)を光学フローモデルに押し込み、表現学習中に局所特性をアクセントする。 本稿では,既存の Transformer ブロックに簡単に接続可能な新しい Gaussian-Constrained Layer (GCL) を提案する。 動作解析のための新しいガウス誘導注意モジュール(GGAM)を提供する。
  論文  参考訳（メタデータ） (2023-09-28T07:46:01Z)
• Training Energy-Based Normalizing Flow with Score-Matching Objectives [36.0810550035231]
  エネルギーベース正規化フロー(EBFlow)と呼ばれる新しいフローベースモデリング手法を提案する。 本研究では,EBFlowをスコアマッチング目的に最適化することにより,線形変換に対するヤコビ行列式の計算を完全に回避できることを実証する。
  論文  参考訳（メタデータ） (2023-05-24T15:54:29Z)
• PointFlowHop: Green and Interpretable Scene Flow Estimation from Consecutive Point Clouds [49.7285297470392]
  本研究では,PointFlowHopと呼ばれる3次元シーンフローの効率的な推定法を提案する。 ポイントフローホップは2つの連続する点雲を取り、第1点雲の各点の3次元フローベクトルを決定する。 シーンフロー推定タスクを,エゴモーション補償,オブジェクトアソシエーション,オブジェクトワイドモーション推定など,一連のサブタスクに分解する。
  論文  参考訳（メタデータ） (2023-02-27T23:06:01Z)
• Stochastic Generative Flow Networks [89.34644133901647]
  生成フローネットワーク(GFlowNets)は「制御としての推論」のレンズを通して複雑な構造をサンプリングすることを学ぶ 既存のGFlowNetsは決定論的環境にのみ適用でき、動的処理によるより一般的なタスクではフェールする。 本稿では,GFlowNetsを環境に拡張する新しいアルゴリズムであるGFlowNetsを紹介する。
  論文  参考訳（メタデータ） (2023-02-19T03:19:40Z)
• A Tale of Two Flows: Cooperative Learning of Langevin Flow and Normalizing Flow Toward Energy-Based Model [43.53802699867521]
  本研究では2つの生成フローモデルの協調学習について検討し、共同合成例に基づいて2つのモデルを反復的に更新する。 訓練されたCoopFlowは、現実的なイメージ、画像再構成、画像間の補間が可能であることを示す。
  論文  参考訳（メタデータ） (2022-05-13T23:12:38Z)
• Universality of parametric Coupling Flows over parametric diffeomorphisms [13.39432329310336]
  Coupling Flows CFlowsに基づく可逆ニューラルネットワークは、画像合成やデータ圧縮など、さまざまな応用がある。 CFlows が Ck-ノルムの任意の微分同相を近似できることを示す。
  論文  参考訳（メタデータ） (2022-02-07T02:10:32Z)
• Generative Flow Networks for Discrete Probabilistic Modeling [118.81967600750428]
  エネルギーベース生成フローネットワーク(EB-GFN)について述べる。 EB-GFNは高次元離散データのための新しい確率論的モデリングアルゴリズムである。 GFlowNetsは、モード間を混在させるために、大ブロックギブスサンプリングを略して行うことができるかを示す。
  論文  参考訳（メタデータ） (2022-02-03T01:27:11Z)
• GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
  光フロー推定学習のためのGMFlowフレームワークを提案する。 機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。 我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
  論文  参考訳（メタデータ） (2021-11-26T18:59:56Z)
• CaloFlow: Fast and Accurate Generation of Calorimeter Showers with Normalizing Flows [0.0]
  正規化フローに基づく高速検出器シミュレーションフレームワークであるCaloFlowを紹介する。 本研究は, フローの正規化により, 極めて高い忠実度で多チャンネルのカロリーメータシャワーを再現できることを初めて実証した。
  論文  参考訳（メタデータ） (2021-06-09T18:00:02Z)

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。