論文の概要: Diffusion Sampling Path Tells More: An Efficient Plug-and-Play Strategy for Sample Filtering

• arxiv url: http://arxiv.org/abs/2505.23343v1
• Date: Thu, 29 May 2025 11:08:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.820874
• Title: Diffusion Sampling Path Tells More: An Efficient Plug-and-Play Strategy for Sample Filtering
• Title（参考訳）: 拡散サンプリングパスがさらに教えてくれる: サンプルフィルタリングのための効率的なプラグイン・アンド・プレイ戦略
• Authors: Sixian Wang, Zhiwei Tang, Tsung-Hui Chang,
• Abstract要約: 拡散モデルはしばしば、サンプリング軌跡に固有の変化のために、一貫性のないサンプル品質を示す。 CFG-リジェクション(CFG-Rejection)は,デノナイジングプロセスの初期段階において,低品質なサンプルをフィルタリングする効率的なプラグアンドプレイ戦略である。 画像生成におけるCFG-Rejectionの有効性を広範囲な実験により検証する。
• 参考スコア（独自算出の注目度）: 18.543769006014383
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models often exhibit inconsistent sample quality due to stochastic variations inherent in their sampling trajectories. Although training-based fine-tuning (e.g. DDPO [1]) and inference-time alignment techniques[2] aim to improve sample fidelity, they typically necessitate full denoising processes and external reward signals. This incurs substantial computational costs, hindering their broader applicability. In this work, we unveil an intriguing phenomenon: a previously unobserved yet exploitable link between sample quality and characteristics of the denoising trajectory during classifier-free guidance (CFG). Specifically, we identify a strong correlation between high-density regions of the sample distribution and the Accumulated Score Differences (ASD)--the cumulative divergence between conditional and unconditional scores. Leveraging this insight, we introduce CFG-Rejection, an efficient, plug-and-play strategy that filters low-quality samples at an early stage of the denoising process, crucially without requiring external reward signals or model retraining. Importantly, our approach necessitates no modifications to model architectures or sampling schedules and maintains full compatibility with existing diffusion frameworks. We validate the effectiveness of CFG-Rejection in image generation through extensive experiments, demonstrating marked improvements on human preference scores (HPSv2, PickScore) and challenging benchmarks (GenEval, DPG-Bench). We anticipate that CFG-Rejection will offer significant advantages for diverse generative modalities beyond images, paving the way for more efficient and reliable high-quality sample generation.
• Abstract（参考訳）: 拡散モデルはしばしば、サンプリング軌跡に固有の確率的変動のために、一貫性のないサンプル品質を示す。 トレーニングベースファインチューニング(例 DDPO [1])と推論時間アライメント技術[2]はサンプルの忠実度を改善することを目的としているが、通常は完全なデノナイジングプロセスと外部の報酬信号を必要とする。 これにより計算コストが大幅に増加し、適用性が低下する。 本研究は, 従来観測されなかったが, 標本品質と, 分類器フリーガイダンス(CFG)における識別軌跡の特徴とを関連づけた興味深い現象を提示する。 具体的には,サンプル分布の高密度領域と累積スコア差 (ASD) との強い相関関係,すなわち条件値と非条件値の累積差を同定する。 CFG-リジェクション(CFG-Rejection)は,低品質なサンプルを,外部の報酬信号やモデル再学習を必要とせず,段階的にフィルタする,効率的なプラグアンドプレイ戦略である。 重要なことは、我々のアプローチは、モデルアーキテクチャの変更やスケジュールのサンプリングを必要とせず、既存の拡散フレームワークとの完全な互換性を維持します。 我々は、画像生成におけるCFG-Rejectionの有効性を広範な実験により検証し、人間の嗜好スコア(HPSv2, PickScore)と挑戦ベンチマーク(GenEval, DPG-Bench)に顕著な改善を示す。 CFG-Rejectionは画像以外の様々な生成モダリティに対して大きな利点をもたらし、より効率的で信頼性の高い高品質サンプル生成の道を開くことを期待する。

関連論文リスト

• Denoising Score Distillation: From Noisy Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  低品質データから高品質な生成モデルをトレーニングするための驚くほど効果的で斬新なアプローチであるDSD(Denoising score distillation)を導入する。 DSDはノイズの多い劣化したサンプルにのみ拡散モデルを事前訓練し、精製されたクリーンな出力を生成することができる1ステップの発電機に蒸留する。
  論文  参考訳（メタデータ） (2025-03-10T17:44:46Z)
• Contrastive CFG: Improving CFG in Diffusion Models by Contrasting Positive and Negative Concepts [55.298031232672734]
  As-Free Guidance (CFG) は条件拡散モデルサンプリングに有効であることが証明された。 対照的な損失を用いた負のCFG誘導を強化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-26T03:29:27Z)
• Your Diffusion Model is Secretly a Noise Classifier and Benefits from Contrastive Training [20.492630610281658]
  拡散モデルはデータをノイズ化することを学び、訓練されたデノイザを使用してデータ分布から新しいサンプルを生成する。 サンプルに追加される雑音のレベルを識別する,新たな自己教師型学習目標を提案する。 提案手法は逐次的および並列的な設定に有効であることを示す。
  論文  参考訳（メタデータ） (2024-07-12T03:03:50Z)
• Self-Rectifying Diffusion Sampling with Perturbed-Attention Guidance [28.354284737867136]
  Perturbed-Attention Guidance (PAG)は、無条件と条件の両方で拡散サンプルの品質を向上させる。 ADMとStable Diffusionの両方において、PAGは驚くほど、条件付きおよび条件なしのシナリオにおけるサンプル品質を改善します。
  論文  参考訳（メタデータ） (2024-03-26T04:49:11Z)
• Bridging the Gap: Addressing Discrepancies in Diffusion Model Training for Classifier-Free Guidance [1.6804613362826175]
  拡散モデルは、生成モデルにおいて重要な進歩として現れている。 本稿では,従来の訓練方法と所望の条件付きサンプリング行動との相違点を明らかにすることを目的とする。 トレーニング目標とサンプリング行動との整合性を向上する改良された損失関数を導入する。
  論文  参考訳（メタデータ） (2023-11-02T02:03:12Z)
• Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution [67.9215891673174]
  離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。 標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
  論文  参考訳（メタデータ） (2023-10-25T17:59:12Z)
• DuDGAN: Improving Class-Conditional GANs via Dual-Diffusion [2.458437232470188]
  GAN(Generative Adversarial Network)を用いたクラス条件画像生成について,様々な手法を用いて検討した。 本稿では,DuDGANと呼ばれる2次元拡散型ノイズ注入法を取り入れたGANを用いたクラス条件画像生成手法を提案する。 提案手法は,画像生成のための現状条件付きGANモデルよりも性能的に優れている。
  論文  参考訳（メタデータ） (2023-05-24T07:59:44Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)

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。