論文の概要: A-FloPS: Accelerating Diffusion Sampling with Adaptive Flow Path Sampler

• arxiv url: http://arxiv.org/abs/2509.00036v1
• Date: Fri, 22 Aug 2025 13:28:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-07 09:10:15.263408
• Title: A-FloPS: Accelerating Diffusion Sampling with Adaptive Flow Path Sampler
• Title（参考訳）: A-FloPS: 適応フローパスサンプリングによる拡散サンプリングの高速化
• Authors: Cheng Jin, Zhenyu Xiao, Yuantao Gu,
• Abstract要約: A-FloPSは、フローベースの生成モデルのための原則化された、トレーニング不要のフレームワークである。 A-FloPSは, 試料品質と効率の両面において, 最先端のトレーニング不要サンプリング器より一貫して優れていることを示す。 5ドルの関数評価で、A-FloPSはFIDを大幅に低くし、よりシャープでコヒーレントな画像を生成する。
• 参考スコア（独自算出の注目度）: 21.134678093577193
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models deliver state-of-the-art generative performance across diverse modalities but remain computationally expensive due to their inherently iterative sampling process. Existing training-free acceleration methods typically improve numerical solvers for the reverse-time ODE, yet their effectiveness is fundamentally constrained by the inefficiency of the underlying sampling trajectories. We propose A-FloPS (Adaptive Flow Path Sampler), a principled, training-free framework that reparameterizes the sampling trajectory of any pre-trained diffusion model into a flow-matching form and augments it with an adaptive velocity decomposition. The reparameterization analytically maps diffusion scores to flow-compatible velocities, yielding integration-friendly trajectories without retraining. The adaptive mechanism further factorizes the velocity field into a linear drift term and a residual component whose temporal variation is actively suppressed, restoring the accuracy benefits of high-order integration even in extremely low-NFE regimes. Extensive experiments on conditional image generation and text-to-image synthesis show that A-FloPS consistently outperforms state-of-the-art training-free samplers in both sample quality and efficiency. Notably, with as few as $5$ function evaluations, A-FloPS achieves substantially lower FID and generates sharper, more coherent images. The adaptive mechanism also improves native flow-based generative models, underscoring its generality. These results position A-FloPS as a versatile and effective solution for high-quality, low-latency generative modeling.
• Abstract（参考訳）: 拡散モデルは様々なモダリティにまたがって最先端の生成性能を提供するが、本質的に反復的なサンプリングプロセスのため計算コストは高い。 既存の訓練不要加速法は典型的には逆時間ODEの数値解法を改善するが、その効果は根底にあるサンプリング軌道の非効率性によって根本的に制限される。 A-FloPS(Adaptive Flow Path Sampler)は,任意のトレーニング済み拡散モデルのサンプリング軌跡をフローマッチング形式に再パラメータ化し,適応速度分解で拡張する,原則付き学習自由フレームワークである。 再パラメータ化は、拡散スコアをフロー互換な速度にマッピングし、再トレーニングせずに統合フレンドリーな軌道を生成する。 この適応機構は、速度場をさらに線形ドリフト項と時間変動を積極的に抑制した残留成分に分解し、極低NFE状態においても高次積分の精度の利点を回復させる。 条件付き画像生成とテキスト・ツー・イメージ合成の大規模な実験により、A-FloPSはサンプルの品質と効率の両面で、最先端のトレーニング不要サンプルよりも一貫して優れていることが示された。 A-FloPSはFIDが大幅に低くなり、よりシャープでコヒーレントな画像を生成する。 適応的なメカニズムは、ネイティブフローベースの生成モデルも改善し、その一般化を裏付ける。 これらの結果は、A-FloPSを高品質で低レイテンシな生成モデルのための汎用的で効果的なソリューションとして位置づけている。

関連論文リスト

• Modular MeanFlow: Towards Stable and Scalable One-Step Generative Modeling [0.07646713951724012]
  一段階生成モデリングは、単一関数評価において高品質なデータサンプルを生成することを目指している。 本研究では、時間平均速度場を学習するための柔軟で理論的に基礎付けられたアプローチであるModular MeanFlowを紹介する。
  論文  参考訳（メタデータ） (2025-08-24T16:00:08Z)
• Divergence Minimization Preference Optimization for Diffusion Model Alignment [58.651951388346525]
  Divergence Minimization Preference Optimization (DMPO) は、逆KL分散を最小化して拡散モデルを整列する原理的手法である。 その結果,DMPOで微調整した拡散モデルは,既存の手法よりも常に優れるか,一致しているかが示唆された。 DMPOは、優先順位調整のための堅牢でエレガントな経路を解き、拡散モデルにおいて実用的な性能を持つ原理的理論をブリッジする。
  論文  参考訳（メタデータ） (2025-07-10T07:57:30Z)
• Rectified Flows for Fast Multiscale Fluid Flow Modeling [11.597597438962026]
  時間依存速度場を学習する修正フローフレームワークを提案する。 我々の手法は、各統合ステップをより効果的にし、わずか8ステップで済むようにします。 マルチスケール・フロー・ベンチマーク実験により, 整流流は拡散モデルと同じ後部分布を回復することが示された。
  論文  参考訳（メタデータ） (2025-06-03T17:40:39Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Tuning Timestep-Distilled Diffusion Model Using Pairwise Sample Optimization [97.35427957922714]
  任意の時間ステップ蒸留拡散モデルを直接微調整できるPSOアルゴリズムを提案する。 PSOは、現在の時間ステップ蒸留モデルからサンプリングされた追加の参照画像を導入し、トレーニング画像と参照画像との相対的な近縁率を増大させる。 PSOは、オフラインとオンラインのペアワイズ画像データの両方を用いて、蒸留モデルを直接人間の好ましくない世代に適応させることができることを示す。
  論文  参考訳（メタデータ） (2024-10-04T07:05:16Z)
• Variational Schrödinger Diffusion Models [14.480273869571468]
  Schr"odinger Bridge (SB) は拡散モデルにおける輸送計画の最適化手法として登場した。 我々は変分推論を利用してSBの前方スコア関数(変分スコア)を線形化する。 本稿では,多変量拡散過程と変分スコアを適応的に最適化して効率的な輸送を行う,変分Schr"odinger拡散モデル(VSDM)を提案する。
  論文  参考訳（メタデータ） (2024-05-08T04:01:40Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)

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。