論文の概要: An Introduction to Flow Matching and Diffusion Models

• arxiv url: http://arxiv.org/abs/2506.02070v2
• Date: Sat, 12 Jul 2025 16:37:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 14:36:07.346925
• Title: An Introduction to Flow Matching and Diffusion Models
• Title（参考訳）: 流れマッチングと拡散モデル入門
• Authors: Peter Holderrieth, Ezra Erives,
• Abstract要約: このチュートリアルは、拡散とフローベースの生成モデルについて、第一原理から自己完結した紹介を提供する。 常微分方程式および微分方程式において必要となる数学的背景を開発し、フローマッチングとデノナイズ拡散モデルのコアアルゴリズムを導出する。 次に、トレーニング方法、ガイダンス、アーキテクチャ設計を含む画像およびビデオジェネレータを構築するためのステップバイステップガイドを提供する。
• 参考スコア（独自算出の注目度）: 1.2277343096128712
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Diffusion and flow-based models have become the state of the art for generative AI across a wide range of data modalities, including images, videos, shapes, molecules, music, and more. This tutorial provides a self-contained introduction to diffusion and flow-based generative models from first principles. We systematically develop the necessary mathematical background in ordinary and stochastic differential equations and derive the core algorithms of flow matching and denoising diffusion models. We then provide a step-by-step guide to building image and video generators, including training methods, guidance, and architectural design. This tutorial is ideal for machine learning researchers who want to develop a principled understanding of the theory and practice of generative AI.
• Abstract（参考訳）: 拡散とフローベースのモデルは、画像、ビデオ、形状、分子、音楽など、幅広いデータモダリティにまたがる生成AIの最先端技術となっている。 このチュートリアルは、拡散とフローベースの生成モデルについて、第一原理から自己完結した紹介を提供する。 常微分方程式や確率微分方程式において必要となる数学的背景を体系的に発展させ,フローマッチングとデノナイズ拡散モデルのコアアルゴリズムを導出する。 次に、トレーニング方法、ガイダンス、アーキテクチャ設計を含む画像およびビデオジェネレータを構築するためのステップバイステップガイドを提供する。 このチュートリアルは、生成AIの理論と実践を原則的に理解したい機械学習研究者にとって理想的だ。

関連論文リスト

• Deep generative models as the probability transformation functions [0.0]
  本稿では,深部生成モデルを確率変換関数とみなす統一理論的視点を紹介する。 単純な事前定義された分布を複雑なターゲットデータ分布に変換することによって、それらすべてが根本的に動作することを示す。
  論文  参考訳（メタデータ） (2025-06-20T17:22:23Z)
• DiffusionSfM: Predicting Structure and Motion via Ray Origin and Endpoint Diffusion [53.70278210626701]
  マルチビュー画像から3次元シーン形状とカメラポーズを直接推定するデータ駆動型マルチビュー推論手法を提案する。 我々のフレームワークであるDiffusionSfMは、シーン幾何学とカメラを、グローバルフレーム内のピクセルワイズ線源とエンドポイントとしてパラメータ化します。 我々は、DiffusionSfMを合成データセットと実データセットの両方で実証的に検証し、古典的および学習ベースのアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-08T17:59:47Z)
• Flow-based generative models as iterative algorithms in probability space [18.701755188870823]
  フローベースの生成モデルは、正確な推定、効率的なサンプリング、決定論的変換を提供する。 本チュートリアルでは,フローベース生成モデルのための直感的な数学的枠組みを提案する。 我々は,信号処理や機械学習にフローベース生成モデルを効果的に適用するために必要なツールを研究者や実践者に提供することを目的としている。
  論文  参考訳（メタデータ） (2025-02-19T03:09:18Z)
• Inference-Time Alignment in Diffusion Models with Reward-Guided Generation: Tutorial and Review [59.856222854472605]
  このチュートリアルは、拡散モデルにおける下流の報酬関数を最適化するための推論時ガイダンスとアライメント方法に関する詳細なガイドを提供する。 生物学のような分野における実践的な応用は、しばしば特定の指標を最大化するサンプル生成を必要とする。 本稿では,(1)推論時と組み合わせた微調整手法,(2)モンテカルロ木探索などの探索アルゴリズムに基づく推論時アルゴリズム,(3)言語モデルと拡散モデルにおける推論時アルゴリズムの接続について論じる。
  論文  参考訳（メタデータ） (2025-01-16T17:37:35Z)
• Generative Diffusion Modeling: A Practical Handbook [25.81859481634996]
  拡散確率モデル、スコアベースの生成モデル、一貫性モデル、修正フロー、および関連する方法。 コンテンツは拡散モデルの基礎、事前学習プロセス、および様々なポストトレーニング方法を含む。 実用的なガイドとして設計され、理論的な深さよりも明瞭さとユーザビリティを強調している。
  論文  参考訳（メタデータ） (2024-12-22T21:02:36Z)
• Diffusion Model from Scratch [0.0]
  拡散生成モデルは、現在最も人気のある生成モデルである。 本稿では,VAEからDDPMへの進化をトレースすることで,生成モデルの基本的理解を支援することを目的とする。
  論文  参考訳（メタデータ） (2024-12-14T13:05:05Z)
• Physics Informed Distillation for Diffusion Models [21.173298037358954]
  本研究では,教師の拡散モデルに対応するODEシステムの解法を表現するために,学生モデルを用いた物理インフォームド蒸留(PID)を導入する。 PIDの性能は最近の蒸留法と同等である。
  論文  参考訳（メタデータ） (2024-11-13T07:03:47Z)
• Score Forgetting Distillation: A Swift, Data-Free Method for Machine Unlearning in Diffusion Models [63.43422118066493]
  マシン・アンラーニング(MU)は安全でセキュアで信頼性の高いGenAIモデルを開発する上で重要な基盤である。 従来のMUメソッドは、しばしば厳密な仮定に依存し、実際のデータへのアクセスを必要とする。 本稿では,拡散モデルにおいて望ましくない情報を忘れることを促進する革新的なMUアプローチであるScore Forgetting Distillation (SFD)を紹介する。
  論文  参考訳（メタデータ） (2024-09-17T14:12:50Z)
• Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding [84.3224556294803]
  拡散モデルは、画像、分子、DNA、RNA、タンパク質配列の自然なデザイン空間を捉えるのに優れている。 これらの設計空間の自然性を保ちながら、下流の報酬関数を最適化することを目指している。 提案アルゴリズムは,中間雑音状態が将来高い報酬をもたらすことの先駆けとして,ソフトバリュー関数を統合する。
  論文  参考訳（メタデータ） (2024-08-15T16:47:59Z)
• An Overview of Diffusion Models: Applications, Guided Generation, Statistical Rates and Optimization [59.63880337156392]
  拡散モデルはコンピュータビジョン、オーディオ、強化学習、計算生物学において大きな成功を収めた。 経験的成功にもかかわらず、拡散モデルの理論は非常に限定的である。 本稿では,前向きな理論や拡散モデルの手法を刺激する理論的露光について述べる。
  論文  参考訳（メタデータ） (2024-04-11T14:07:25Z)
• Applied Causal Inference Powered by ML and AI [54.88868165814996]
  本書は古典的構造方程式モデル(SEM)とその現代AI等価性、有向非巡回グラフ(DAG)および構造因果モデル(SCM)のアイデアを提示する。 それは、現代の予測ツールを使用して、そのようなモデルで推論を行うダブル/デバイアスド機械学習メソッドをカバーしている。
  論文  参考訳（メタデータ） (2024-03-04T20:28:28Z)
• Demystifying Variational Diffusion Models [19.977841588918373]
  拡散モデルに関する既存の研究のほとんどは、応用か理論的な貢献に焦点をあてている。 我々は前者を階層的潜在変数モデルのような拡散モデルに再検討し、全体論的視点を合成する。 平均的な読者に必要条件が少なくなるため、結果の物語は簡単に追従できる。
  論文  参考訳（メタデータ） (2024-01-11T22:37:37Z)
• Semantic Guidance Tuning for Text-To-Image Diffusion Models [3.3881449308956726]
  本研究では,推論中の拡散モデルの誘導方向を変調する学習自由アプローチを提案する。 まず,素早い意味論を概念の集合に分解し,各概念に関するガイダンスの軌跡をモニタリングする。 そこで本研究では,モデルが発散する概念に対して,誘導方向を制御するための手法を考案した。
  論文  参考訳（メタデータ） (2023-12-26T09:02:17Z)
• Diffusion Models for Generative Artificial Intelligence: An Introduction for Applied Mathematicians [3.069335774032178]
  拡散モデルは、画像のための生成AIにおけるアートパフォーマンスの状態を提供する。 応用数学者と統計学者のための拡散モデルについて簡単な紹介を行う。
  論文  参考訳（メタデータ） (2023-12-21T20:20:52Z)
• Guided Diffusion from Self-Supervised Diffusion Features [49.78673164423208]
  ガイダンスは拡散モデルにおいて重要な概念として機能するが、その効果は追加のデータアノテーションや事前学習の必要性によって制限されることが多い。 本稿では,拡散モデルからガイダンスを抽出するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-14T11:19:11Z)
• SODA: Bottleneck Diffusion Models for Representation Learning [75.7331354734152]
  本稿では,表現学習のための自己教師付き拡散モデルSODAを紹介する。 このモデルには、ソースビューをコンパクトな表現に蒸留するイメージエンコーダが組み込まれており、関連する新規ビューの生成を導く。 エンコーダと復調復調復調復調復調復調復調復調復号器の密集ボトルネックを付与することにより,拡散モデルを強力な表現学習器に変換することができることを示す。
  論文  参考訳（メタデータ） (2023-11-29T18:53:34Z)
• Learning by Distillation: A Self-Supervised Learning Framework for Optical Flow Estimation [71.76008290101214]
  DistillFlowは光の流れを学ぶための知識蒸留手法である。 KITTIとSintelの両方のデータセット上で、最先端の教師なし学習性能を実現する。 我々のモデルは、KITTI 2015ベンチマークにおけるすべての単分子的手法の中で、第1位にランクされ、Sintel Finalベンチマークで発表されたすべてのメソッドよりも優れています。
  論文  参考訳（メタデータ） (2021-06-08T09:13:34Z)

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。