論文の概要: Jet Image Generation in High Energy Physics Using Diffusion Models
- arxiv url: http://arxiv.org/abs/2508.00250v1
- Date: Fri, 01 Aug 2025 01:41:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-04 18:08:53.704195
- Title: Jet Image Generation in High Energy Physics Using Diffusion Models
- Title（参考訳）: 拡散モデルを用いた高エネルギー物理におけるジェット画像生成
- Authors: Victor D. Martinez, Vidya Manian, Sudhir Malik,
- Abstract要約: 本稿では,大型ハドロン衝突型加速器(LHC)における陽子-陽子衝突現象に対応するジェット画像生成のための拡散モデルの適用について述べる。
シミュレーションデータセットから得られたクォーク,グルーオン,Wボソン,Zボソンおよびトップクォークジェットの運動変数を2次元画像表現にマッピングする。
我々は,クラス条件ジェット画像の正確な生成におけるスコアベース拡散モデルと整合性モデルの性能を比較した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This article presents, for the first time, the application of diffusion models for generating jet images corresponding to proton-proton collision events at the Large Hadron Collider (LHC). The kinematic variables of quark, gluon, W-boson, Z-boson, and top quark jets from the JetNet simulation dataset are mapped to two-dimensional image representations. Diffusion models are trained on these images to learn the spatial distribution of jet constituents. We compare the performance of score-based diffusion models and consistency models in accurately generating class-conditional jet images. Unlike approaches based on latent distributions, our method operates directly in image space. The fidelity of the generated images is evaluated using several metrics, including the Fr\'echet Inception Distance (FID), which demonstrates that consistency models achieve higher fidelity and generation stability compared to score-based diffusion models. These advancements offer significant improvements in computational efficiency and generation accuracy, providing valuable tools for High Energy Physics (HEP) research.
- Abstract（参考訳）: 本稿では,大型ハドロン衝突型加速器(LHC)における陽子-陽子衝突イベントに対応するジェット画像生成のための拡散モデルの適用について述べる。
シミュレーションデータセットから得られたクォーク,グルーオン,Wボソン,Zボソンおよびトップクォークジェットの運動変数を2次元画像表現にマッピングする。
これらの画像に基づいて拡散モデルを訓練し、ジェット成分の空間分布を学習する。
我々は,クラス条件ジェット画像の正確な生成におけるスコアベース拡散モデルと整合性モデルの性能を比較した。
遅延分布に基づくアプローチとは異なり,本手法は画像空間で直接動作する。
Fr'echet Inception Distance (FID) などの指標を用いて、生成画像の忠実度を評価し、一貫性モデルがスコアベース拡散モデルよりも高い忠実度と生成安定性を達成することを示す。
これらの進歩は計算効率と生成精度を大幅に改善し、高エネルギー物理学(HEP)研究に有用なツールを提供する。
関連論文リスト
- Hyperspectral Image Generation with Unmixing Guided Diffusion Model [21.078386095749398]
拡散モデルは高品質なサンプルを生成する能力で人気がある。
ハイパースペクトルアンミックス法により導かれる新しい拡散モデルを提案する。
我々のモデルは高品質で多様なハイパースペクトル画像を生成することができる。
論文 参考訳（メタデータ） (2025-06-03T08:27:10Z) - Diffusion Models without Classifier-free Guidance [41.59396565229466]
モデルガイダンス(MG)は拡散モデルアドレスを訓練するための新しい目的であり、よく使われるガイダンス(CFG)を除去する。
我々の革新的なアプローチは、標準モデリングを超越し、条件の後方確率を組み込む。
提案手法は,CFGを用いた並列拡散モデルにおいても,学習過程を著しく加速し,推論速度を2倍にし,並列拡散モデルでさえ並列に超える異常な品質を実現する。
論文 参考訳（メタデータ） (2025-02-17T18:59:50Z) - Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。
我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
論文 参考訳（メタデータ） (2024-10-28T17:25:56Z) - TerDiT: Ternary Diffusion Models with Transformers [88.03738506648291]
TerDiTは、低ビット拡散変圧器モデルのための最初の量子化対応トレーニングスキームである。
モデルサイズは600Mから4.2B、画像解像度は256$times$256から512$times$512である。
論文 参考訳（メタデータ） (2024-05-23T17:57:24Z) - Distilling Diffusion Models into Conditional GANs [90.76040478677609]
複雑な多段階拡散モデルを1段階条件付きGAN学生モデルに蒸留する。
E-LatentLPIPSは,拡散モデルの潜在空間で直接動作する知覚的損失である。
我々は, 最先端の1ステップ拡散蒸留モデルよりも優れた1ステップ発生器を実証した。
論文 参考訳（メタデータ） (2024-05-09T17:59:40Z) - LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。
具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。
遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
論文 参考訳（メタデータ） (2023-12-02T04:31:51Z) - EPiC-ly Fast Particle Cloud Generation with Flow-Matching and Diffusion [0.7255608805275865]
本稿では,LHCジェットを点雲として効率的に高精度に生成する2つの新しい手法を提案する。
epcjediとepはどちらも、トップクォークのJetNetデータセット上で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-09-29T18:00:03Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳（メタデータ） (2023-05-22T12:18:20Z) - DDRF: Denoising Diffusion Model for Remote Sensing Image Fusion [7.06521373423708]
生成モデルとしてのデノシング拡散モデルは、画像生成の分野で多くの注目を集めている。
画像融合フィールドへの拡散モデルを導入し、画像融合タスクを画像から画像への変換として扱う。
本手法は,画像融合タスクに拡散モデルを適用するために,他の作業に刺激を与え,この分野の洞察を得ることができる。
論文 参考訳（メタデータ） (2023-04-10T12:28:27Z) - PC-JeDi: Diffusion for Particle Cloud Generation in High Energy Physics [0.8246494848934447]
我々は,PC-JeDiと呼ばれる高エネルギー物理学においてジェットを効率的に生成する新しい手法を提案する。
本手法は, 粒子雲としてジェットを生成する作業に適した変圧器とともに, スコアベース拡散モデルを用いる。
PC-JeDiは、発生したジェットの質を評価するいくつかの指標で、現在の最先端手法と競合する性能を達成している。
論文 参考訳（メタデータ） (2023-03-09T16:23:49Z) - SinDiffusion: Learning a Diffusion Model from a Single Natural Image [159.4285444680301]
SinDiffusionは1つの自然な画像からパッチの内部分布を捉えるためにデノナイズ拡散モデルを利用する。
SinDiffusionは、2つのコア設計に基づいている。まず、SinDiffusionは、段階的にスケールが成長する複数のモデルではなく、1つのスケールで1つのモデルで訓練されている。
第2に,拡散ネットワークのパッチレベルの受容領域は,画像のパッチ統計を捉える上で重要かつ効果的であることを示す。
論文 参考訳（メタデータ） (2022-11-22T18:00:03Z) - Unifying Diffusion Models' Latent Space, with Applications to
CycleDiffusion and Guidance [95.12230117950232]
関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。
テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
論文 参考訳（メタデータ） (2022-10-11T15:53:52Z) - On Distillation of Guided Diffusion Models [94.95228078141626]
そこで本研究では,分類器を含まない誘導拡散モデルから抽出し易いモデルへ抽出する手法を提案する。
画素空間上で訓練された標準拡散モデルに対して,本手法は元のモデルに匹敵する画像を生成することができる。
遅延空間で訓練された拡散モデル(例えば、安定拡散)に対して、我々の手法は1から4段階のデノナイジングステップで高忠実度画像を生成することができる。
論文 参考訳（メタデータ） (2022-10-06T18:03:56Z)
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。