論文の概要: Feedback Guidance of Diffusion Models

• arxiv url: http://arxiv.org/abs/2506.06085v2
• Date: Thu, 09 Oct 2025 13:57:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 15:34:28.527514
• Title: Feedback Guidance of Diffusion Models
• Title（参考訳）: 拡散モデルのフィードバック誘導
• Abstract要約: Interval-Free Guidance (CFG) は, 条件付き拡散モデルにおける試料の忠実度向上の標準となっている。 本稿では,FBG(FeedBack Guidance)を提案する。
• 参考スコア（独自算出の注目度）: 14.162420300295365
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While Classifier-Free Guidance (CFG) has become standard for improving sample fidelity in conditional diffusion models, it can harm diversity and induce memorization by applying constant guidance regardless of whether a particular sample needs correction. We propose FeedBack Guidance (FBG), which uses a state-dependent coefficient to self-regulate guidance amounts based on need. Our approach is derived from first principles by assuming the learned conditional distribution is linearly corrupted by the unconditional distribution, contrasting with CFG's implicit multiplicative assumption. Our scheme relies on feedback of its own predictions about the conditional signal informativeness to adapt guidance dynamically during inference, challenging the view of guidance as a fixed hyperparameter. The approach is benchmarked on ImageNet512x512, where it significantly outperforms Classifier-Free Guidance and is competitive to Limited Interval Guidance (LIG) while benefitting from a strong mathematical framework. On Text-To-Image generation, we demonstrate that, as anticipated, our approach automatically applies higher guidance scales for complex prompts than for simpler ones and that it can be easily combined with existing guidance schemes such as CFG or LIG.
• Abstract（参考訳）: 分類自由誘導(CFG)は, 条件付き拡散モデルにおける試料忠実度向上の標準となっているが, 特定の試料に補正が必要かどうかに関わらず, 一定のガイダンスを適用することにより, 多様性を損なうことができ, 記憶を誘導することができる。 本稿では,FBG(FeedBack Guidance)を提案する。 我々のアプローチは、CFGの暗黙の乗法的仮定とは対照的に、学習条件分布が非条件分布によって線形に破損すると仮定することで、第一原理から導かれる。 提案手法は,条件信号の伝達性に関する独自の予測のフィードバックを頼りに,推論中に動的にガイダンスを適応させ,固定されたハイパーパラメータとしてのガイダンスの考え方に挑戦する。 このアプローチはImageNet512x512でベンチマークされており、Classifier-Free Guidanceよりも大幅に優れており、強力な数学的フレームワークの恩恵を受けながら、Limited Interval Guidance (LIG)と競合する。 テキスト・ツー・イメージ・ジェネレーションでは,従来のCFGやLIGと組み合わせることが容易に可能であることを示す。

関連論文リスト

• Adversarial Learning of Classifier-Free Guidance Schedules [74.70485037604884]
  我々は,拡散時間,条件付け,および現在の雑音サンプルの関数として指導スケジュールを学習する。 これを密度比推定問題とする。 軽量なジェネレータネットワークは、最適で状態依存のガイダンススケールを予測する。
  論文  参考訳（メタデータ） (2026-08-14T07:30:36Z)
• Information-Theoretic Classifier-Free Guidance with Adaptive Schedule Optimization [15.35957804795103]
  拡散モデルは、画像、テキスト・ツー・イメージ、ビデオ生成において高いパフォーマンスを達成している。 CFGスケジュール最適化のための情報理論フレームワークを提案する。 ImageNet-512、EDM-XXL、COCO、SD-XLでは、学習スケジュールは一定のガイダンスよりも競争力や改善されたトレードオフを達成する。
  論文  参考訳（メタデータ） (2026-06-23T00:04:04Z)
• Probability-Conserving Flow Guidance [49.03107678763765]
  Adaptive Manifold Guidance (AdaMaG)はリアリズムを改善し、幻覚を減らし、高誘導下での劣化を制御する。 画像生成ベンチマーク全体で、AdaMaGはリアリズムを改善し、幻覚を減らし、高誘導下での劣化を制御する。
  論文  参考訳（メタデータ） (2026-05-19T16:34:01Z)
• P-Guide: Parameter-Efficient Prior Steering for Single-Pass CFG Inference [7.28668585578288]
  単一の推論パスを通じて高品質なガイダンスを実現するフレームワークである textbfP-Guide を導入する。 一階近似の下では、P-Guideは以前の空間から生成を操るという意味でCFGと等価である。
  論文  参考訳（メタデータ） (2026-05-07T12:31:05Z)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• Guiding a Diffusion Model by Swapping Its Tokens [16.588428780117752]
  本研究では,条件生成と非条件生成の両方に対して,CFGライクなガイダンスを実現するための簡単な手法を提案する。 鍵となるアイデアは、単純なトークンスワップ操作によって混乱した予測を生成することである。 提案手法はトークン潜伏剤を選択的に交換し,分解し,摂動の制御をきめ細かなものにする。
  論文  参考訳（メタデータ） (2026-04-09T09:54:49Z)
• MCLR: Improving Conditional Modeling in Visual Generative Models via Inter-Class Likelihood-Ratio Maximization and Establishing the Equivalence between Classifier-Free Guidance and Alignment Objectives [26.118296609018596]
  標準復調スコアマッチング(DSM)で訓練された拡散モデルにより,対象データ分布の回復が期待できる。 我々は,授業中にクラス間確率比を明示的に最大化する原理的アライメント目標であるMCLRを提案する。 MCLRで微調整されたモデルは、標準サンプリングの下でCFGライクな改善を示し、推論時ガイダンスを必要とせず、質的および定量的ゲインを同等に達成する。
  論文  参考訳（メタデータ） (2026-03-23T05:01:47Z)
• Improving Classifier-Free Guidance of Flow Matching via Manifold Projection [3.6087998976768128]
  最適化のレンズによるCFGの原理的解釈を提供する。 CFGサンプリングを多様体制約によるホモトピー最適化として再構成する。 提案手法は, トレーニング不要かつ一貫した生成忠実度, 迅速なアライメント, ガイダンス尺度に対するロバスト性である。
  論文  参考訳（メタデータ） (2026-01-29T15:49:31Z)
• HiGFA: Hierarchical Guidance for Fine-grained Data Augmentation with Diffusion Models [82.10385962490051]
  生成拡散モデルは、データ拡張の約束を示す。 きめ細かいタスクにそれらを適用することは、重大な課題である。 HiGFAは階層的な信頼性駆動型オーケストレーションであり、多様なが忠実な合成画像を生成する。
  論文  参考訳（メタデータ） (2025-11-16T10:46:16Z)
• RAAG: Ratio Aware Adaptive Guidance [7.2455669888408085]
  非条件予測に対する相対的強度(RATIO)の急激な上昇により,初期の逆ステップは誘導尺度に非常に敏感であることが示唆された。 進化するRATIOに基づいて,誘導尺度を早期段階において自動的に減衰させる,シンプルな,理論的に基礎付けられた適応型ガイダンススケジュールを提案する。 我々のアプローチは、生成品質、堅牢性、セマンティックアライメントを維持したり改善したりしながら、最大3倍のサンプリングを可能にします。
  論文  参考訳（メタデータ） (2025-08-05T13:41:05Z)
• Normalized Attention Guidance: Universal Negative Guidance for Diffusion Models [57.20761595019967]
  注意空間にL1をベースとした正規化・精細化を施した,効率的かつトレーニング不要な機構である正規化注意誘導(NAG)を提案する。 NAGは、CFGが忠実性を維持しながら崩壊する効果的な負のガイダンスを復元する。 NAGはアーキテクチャ(UNet、DiT)、サンプリングレシスタンス(複数ステップ、複数ステップ)、モダリティ(イメージ、ビデオ)をまたいで一般化する
  論文  参考訳（メタデータ） (2025-05-27T13:30:46Z)
• Adaptive Classifier-Free Guidance via Dynamic Low-Confidence Masking [15.052244821404079]
  本稿では,モデルの予測信頼度を利用して非条件入力を調整する新しい手法であるAdaptive-Free Guidance (A-CFG)を紹介する。 A-CFGは、より効果的なガイダンスにつながる曖昧さの領域に焦点を当てている。 多様な言語生成ベンチマークの実験では、A-CFGは標準CFGよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-05-26T16:40:22Z)
• Prior-Guided Diffusion Planning for Offline Reinforcement Learning [4.760537994346813]
  Prior Guidance (PG) は、標準ガウスの拡散モデルを置き換える新しいサンプリングフレームワークである。 PGは拡散モデル自体の費用対効果を伴わない高値軌道を直接生成する。 我々は,潜時空間における行動規則化を適用した効率的なトレーニング戦略を提案し,PGが多種多種多種多種多種多種多様オフラインRLベンチマークにおいて最先端拡散ポリシーやプランナーより優れていることを実証的に示す。
  論文  参考訳（メタデータ） (2025-05-16T05:39:02Z)
• AlignRAG: Leveraging Critique Learning for Evidence-Sensitive Retrieval-Augmented Reasoning [61.28113271728859]
  RAGは知識ベースで大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 標準的なRAGパイプラインは、モデル推論が取得した証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 本研究では,RAGをRetrieval-Augmented Reasoningと解釈し,中心的だが未探索な問題であるtextitReasoning Misalignmentを同定する。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• Classifier-free Guidance with Adaptive Scaling [7.179513844921256]
  フリーガイダンス(CFG)は、テキスト駆動拡散モデルにおいて必須のメカニズムである。 本稿では,世代誘導の影響を制御できる$beta$adaptive-CFGを提案する。 提案モデルでは,テキスト・ツー・イメージのCLIP類似度スコアを,参照CFGと類似したレベルに維持し,FIDスコアが向上した。
  論文  参考訳（メタデータ） (2025-02-14T22:04:53Z)
• 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)
• Self-regulating Prompts: Foundational Model Adaptation without Forgetting [112.66832145320434]
  本稿では,PromptSRCと呼ばれる自己正規化フレームワークを提案する。 PromptSRCはタスク固有の汎用表現とタスクに依存しない汎用表現の両方に最適化するプロンプトを導く。
  論文  参考訳（メタデータ） (2023-07-13T17:59:35Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Causally-motivated Shortcut Removal Using Auxiliary Labels [63.686580185674195]
  このようなリスク不変予測器の学習に重要な課題はショートカット学習である。 この課題に対処するために、フレキシブルで因果的なアプローチを提案する。 この因果的動機付けされた正規化スキームが堅牢な予測子を生み出すことを理論的および実証的に示す。
  論文  参考訳（メタデータ） (2021-05-13T16:58:45Z)

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。