論文の概要: Source-Guided Flow Matching

• arxiv url: http://arxiv.org/abs/2508.14807v2
• Date: Fri, 22 Aug 2025 15:50:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 12:20:05.388468
• Title: Source-Guided Flow Matching
• Title（参考訳）: ソースガイドフローマッチング
• Authors: Zifan Wang, Alice Harting, Matthieu Barreau, Michael M. Zavlanos, Karl H. Johansson,
• Abstract要約: 本稿ではソースガイド型フローマッチングフレームワークを提案する。 事前訓練されたベクトル場をそのまま保ちながら、ソース分布を直接修正する。 これにより、ガイダンス問題は、ソース分布からサンプリングする、明確に定義された問題に還元される。
• 参考スコア（独自算出の注目度）: 7.888172595458005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Guidance of generative models is typically achieved by modifying the probability flow vector field through the addition of a guidance field. In this paper, we instead propose the Source-Guided Flow Matching (SGFM) framework, which modifies the source distribution directly while keeping the pre-trained vector field intact. This reduces the guidance problem to a well-defined problem of sampling from the source distribution. We theoretically show that SGFM recovers the desired target distribution exactly. Furthermore, we provide bounds on the Wasserstein error for the generated distribution when using an approximate sampler of the source distribution and an approximate vector field. The key benefit of our approach is that it allows the user to flexibly choose the sampling method depending on their specific problem. To illustrate this, we systematically compare different sampling methods and discuss conditions for asymptotically exact guidance. Moreover, our framework integrates well with optimal flow matching models since the straight transport map generated by the vector field is preserved. Experimental results on synthetic 2D benchmarks, physics-informed generative tasks, and imaging inverse problems demonstrate the effectiveness and flexibility of the proposed framework.
• Abstract（参考訳）: 生成モデルの誘導は通常、誘導場の追加によって確率フローベクトル場を変更することによって達成される。 本稿では,事前学習したベクトル場を無傷に保ちながら,直接ソース分布を変化させるSource-Guided Flow Matching (SGFM) フレームワークを提案する。 これにより、ガイダンス問題は、ソース分布からサンプリングする、明確に定義された問題に還元される。 理論的には、SGFMが所望の目標分布を正確に回復することを示す。 さらに、ソース分布の近似サンプリング器と近似ベクトル場を用いた場合、生成した分布に対するワッサーシュタイン誤差のバウンダリを提供する。 提案手法の主な利点は,ユーザが特定の問題に応じてフレキシブルにサンプリング方法を選択することができる点である。 これを説明するために,異なるサンプリング手法を体系的に比較し,漸近的に正確なガイダンスの条件について議論する。 さらに,ベクトル場によって生成された直線輸送マップが保存されているため,本フレームワークは最適流れマッチングモデルとよく統合される。 合成2Dベンチマーク,物理インフォームド生成タスク,画像逆問題に対する実験結果から,提案フレームワークの有効性と柔軟性が示された。

関連論文リスト

• Is There a Better Source Distribution than Gaussian? Exploring Source Distributions for Image Flow Matching [27.47409979324549]
  フローマッチングは、ソース分布の柔軟な選択を伴う強力な生成モデリングアプローチとして登場した。 解釈可能な2次元設定で高次元の幾何学的特性をキャプチャする新しい2次元シミュレーションを提案する。 本稿では,正規整列学習と方向決定型サンプリングを組み合わせたフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-20T02:44:54Z)
• Test-time scaling of diffusions with flow maps [68.79792714591564]
  テスト時の拡散モデルを改善するための一般的なレシピは、報酬の勾配を拡散そのものの力学に導入することである。 フローマップを直接扱うことで,簡単な解を提案する。 本研究では, 流図と流速場の関係を利用して, 従来のテスト時間法よりも精度の高いフローマップトラジェクトリ・ティルティング (FMTT) アルゴリズムを構築した。
  論文  参考訳（メタデータ） (2025-11-27T18:44:12Z)
• Direct Distributional Optimization for Provable Alignment of Diffusion Models [39.048284342436666]
  分布最適化の観点から拡散モデルの新しいアライメント手法を提案する。 まず、確率分布に対する一般正規化損失最小化として問題を定式化する。 本研究では,Doob の $h$-transform 技術を用いてスコア関数を近似することにより,学習した分布からのサンプリングを可能にする。
  論文  参考訳（メタデータ） (2025-02-05T07:35:15Z)
• On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
  Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。 RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。 本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Stochastic Sampling from Deterministic Flow Models [8.849981177332594]
  そこで本論文では,フローモデルを同じ境界分布を持つ微分方程式の族(SDE)に変換する手法を提案する。 我々は,おもちゃのガウスセットアップと大規模イメージネット生成タスクにおいて,提案手法の利点を実証的に実証した。
  論文  参考訳（メタデータ） (2024-10-03T05:18:28Z)
• Stream-level flow matching with Gaussian processes [4.935875591615496]
  条件付きフローマッチング(CFM)は、連続正規化フロー(CNF)を適合させる訓練アルゴリズムの一群である。 我々は、ストリームに沿った条件付き確率パス、ソースとターゲットのデータペアを接続する遅延パスのインスタンスを定義することで、CFMアルゴリズムを拡張した。 本研究では, CFMの一般化により, 推定限界ベクトル場の分散を適度な計算コストで効果的に低減できることを示す。
  論文  参考訳（メタデータ） (2024-09-30T15:47:22Z)
• Sampling for Model Predictive Trajectory Planning in Autonomous Driving using Normalizing Flows [1.2972104025246092]
  本稿では,軌道生成のためのサンプリング手法について検討する。 変分推論の分野を起源とする正規化フローが検討される。 学習に基づく正規化フローモデルは、入力領域のより効率的な探索のために訓練される。
  論文  参考訳（メタデータ） (2024-04-15T10:45:12Z)
• Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian Mixture Models [59.331993845831946]
  拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。 本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
  論文  参考訳（メタデータ） (2024-03-03T23:15:48Z)
• MGF: Mixed Gaussian Flow for Diverse Trajectory Prediction [72.70572835589158]
  本稿では,軌道予測のための正規化フローモデルに対して,混合ガウス前駆体を構築することを提案する。 提案手法は,一般的な UCY/ETH および SDD データセットにおける軌道アライメントと多様性の評価において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-02-19T15:48:55Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
  FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。 我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2019-12-30T17:36:33Z)

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。