Fugu-MT 論文翻訳(概要): Unified Continuous Generative Models

論文の概要: Unified Continuous Generative Models

arxiv url: http://arxiv.org/abs/2505.07447v2
Date: Tue, 20 May 2025 12:27:53 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-21 14:49:52.2466
Title: Unified Continuous Generative Models
Title（参考訳）: 統一連続生成モデル
Authors: Peng Sun, Yi Jiang, Tao Lin,
Abstract要約: 本稿では,連続生成モデルのトレーニング,サンプリング,解析を行う統合フレームワークを提案する。我々の実装は、最先端(SOTA)のパフォーマンスを達成する。
参考スコア（独自算出の注目度）: 12.358393766570732
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent advances in continuous generative models, including multi-step approaches like diffusion and flow-matching (typically requiring 8-1000 sampling steps) and few-step methods such as consistency models (typically 1-8 steps), have demonstrated impressive generative performance. However, existing work often treats these approaches as distinct paradigms, resulting in separate training and sampling methodologies. We introduce a unified framework for training, sampling, and analyzing these models. Our implementation, the Unified Continuous Generative Models Trainer and Sampler (UCGM-{T,S}), achieves state-of-the-art (SOTA) performance. For example, on ImageNet 256x256 using a 675M diffusion transformer, UCGM-T trains a multi-step model achieving 1.30 FID in 20 steps and a few-step model reaching 1.42 FID in just 2 steps. Additionally, applying UCGM-S to a pre-trained model (previously 1.26 FID at 250 steps) improves performance to 1.06 FID in only 40 steps. Code is available at: https://github.com/LINs-lab/UCGM.
Abstract（参考訳）: 拡散やフローマッチング(典型的には8-1000のサンプリングステップを必要とする)のような多段階のアプローチや、一貫性モデル(典型的には1-8のステップ)のような数段階の手法を含む連続生成モデルの最近の進歩は、印象的な生成性能を示している。しかしながら、既存の研究はしばしばこれらのアプローチを異なるパラダイムとして扱い、結果として別々のトレーニングとサンプリング手法が生み出される。これらのモデルをトレーニング、サンプリング、分析するための統合されたフレームワークを導入します。我々の実装であるUnified Continuous Generative Models Trainer and Sampler (UCGM-{T,S})は、最先端(SOTA)の性能を達成する。例えば、675M拡散変換器を使用したImageNet 256x256では、UCGM-Tは20ステップで1.30 FID、わずか2ステップで数ステップで1.42 FIDに達するマルチステップモデルを訓練している。さらに、UCGM-Sを事前訓練されたモデル(以前は250ステップで1.26 FID)に適用すると、わずか40ステップで1.06 FIDのパフォーマンスが向上する。コードは、https://github.com/LINs-lab/UCGM.comで入手できる。

論文の概要: Unified Continuous Generative Models

関連論文リスト