論文の概要: Adaptive Sampling Scheduler

• arxiv url: http://arxiv.org/abs/2509.12569v1
• Date: Tue, 16 Sep 2025 01:51:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.834296
• Title: Adaptive Sampling Scheduler
• Title（参考訳）: Adaptive Smpling Scheduler
• Authors: Qi Wang, Shuliang Zhu, Jinjia Zhou,
• Abstract要約: 本稿では, 種々の連続蒸留フレームワークに適用可能な適応型サンプリングスケジューラを提案する。 このスケジューラは, (i) 動的目標時間ステップ選択 (i) 動的目標時間ステップ選択 (i) 動的目標時間ステップ選択 (i) 動的目標時間ステップ選択 (i) 動的目標時間ステップ選択 (i) 動的目標時間ステップ選択 (i) 動的目標時間ステップ選択 (i) 時間ステップ選択 (i) 時間ステップ選択 (i) 計算重要度に基づいて, 前方除音および後方雑音付加を誘導することにより, 解軌道に沿った最適な変奏サンプリング (ii) 高速誘導スケールで安定かつ高品質な生成を実現するためのスムーシングクリッピングとカラーバランス技術の利用) の3つの革新的戦略を紹介した。
• 参考スコア（独自算出の注目度）: 9.416115049578151
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Consistent distillation methods have evolved into effective techniques that significantly accelerate the sampling process of diffusion models. Although existing methods have achieved remarkable results, the selection of target timesteps during distillation mainly relies on deterministic or stochastic strategies, which often require sampling schedulers to be designed specifically for different distillation processes. Moreover, this pattern severely limits flexibility, thereby restricting the full sampling potential of diffusion models in practical applications. To overcome these limitations, this paper proposes an adaptive sampling scheduler that is applicable to various consistency distillation frameworks. The scheduler introduces three innovative strategies: (i) dynamic target timestep selection, which adapts to different consistency distillation frameworks by selecting timesteps based on their computed importance; (ii) Optimized alternating sampling along the solution trajectory by guiding forward denoising and backward noise addition based on the proposed time step importance, enabling more effective exploration of the solution space to enhance generation performance; and (iii) Utilization of smoothing clipping and color balancing techniques to achieve stable and high-quality generation results at high guidance scales, thereby expanding the applicability of consistency distillation models in complex generation scenarios. We validated the effectiveness and flexibility of the adaptive sampling scheduler across various consistency distillation methods through comprehensive experimental evaluations. Experimental results consistently demonstrated significant improvements in generative performance, highlighting the strong adaptability achieved by our method.
• Abstract（参考訳）: 連続蒸留法は拡散モデルのサンプリング過程を著しく加速する有効な技術へと発展してきた。 既存の方法では顕著な結果が得られたが、蒸留中の目標タイムステップの選択は主に決定論的または確率的戦略に依存しており、異なる蒸留プロセスのために特別に設計されるサンプリングスケジューラを必要とすることが多い。 さらに、このパターンは柔軟性を著しく制限し、実用的な応用における拡散モデルの完全なサンプリングポテンシャルを制限する。 これらの制約を克服するために, 各種の連続蒸留フレームワークに適用可能な適応型サンプリングスケジューラを提案する。 スケジューラは3つの革新的な戦略を紹介します。 (i)動的目標時間ステップの選択は、計算された重要性に基づいて時間ステップを選択することにより、異なる整合蒸留の枠組みに適合する。 二 提案した時間ステップの重要度に基づいて前方除音及び後方雑音付加を誘導し、溶液空間のより効率的な探索を行い、生成性能を向上させることにより、溶液軌道に沿った最適な交互サンプリングを行うこと。 3)スムースなクリッピングとカラーバランス技術を用いて,高誘導スケールで安定かつ高品質な生成結果を達成し,複雑な生成シナリオにおける整合蒸留モデルの適用性を拡大する。 本研究では, 各種蒸留法における適応サンプリングスケジューラの有効性と柔軟性を総合的な実験により検証した。 実験の結果, 生成性能が向上し, 高い適応性を示した。

関連論文リスト

• 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)
• Iterative Distillation for Reward-Guided Fine-Tuning of Diffusion Models in Biomolecular Design [58.8094854658848]
  生体分子設計における報酬誘導生成のための微調整拡散モデルの問題に対処する。 本稿では,拡散モデルによる任意の報酬関数の最適化を可能にする,反復蒸留に基づく微調整フレームワークを提案する。 KLの発散最小化と相まって,既存のRL法と比較してトレーニングの安定性とサンプル効率を向上させる。
  論文  参考訳（メタデータ） (2025-07-01T05:55:28Z)
• InstaRevive: One-Step Image Enhancement via Dynamic Score Matching [66.97989469865828]
  InstaReviveは、強力な生成能力を活用するためにスコアベースの拡散蒸留を利用する画像強調フレームワークである。 私たちのフレームワークは、さまざまな課題やデータセットにまたがって、高品質で視覚的に魅力的な結果を提供します。
  論文  参考訳（メタデータ） (2025-04-22T01:19:53Z)
• Diverse Score Distillation [27.790458964072823]
  ランダムな初期シードによって定義された生成経路に従うよう最適化するスコアの定式化を提案する。 本稿では,2次元最適化,テキストベースの3D推論,単一ビュー再構成などのタスクにまたがるDSD(Diverse Score Distillation)の応用について紹介する。
  論文  参考訳（メタデータ） (2024-12-09T18:59:02Z)
• Adaptive Non-Uniform Timestep Sampling for Diffusion Model Training [4.760537994346813]
  データ分布が複雑化するにつれて、収束のためのトレーニング拡散モデルがますます複雑になる。 より重要な時間ステップを優先する一様でない時間ステップサンプリング手法を提案する。 提案手法は, 各種データセット, スケジューリング戦略, 拡散アーキテクチャにまたがるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-11-15T07:12:18Z)
• Target-Driven Distillation: Consistency Distillation with Target Timestep Selection and Decoupled Guidance [17.826285840875556]
  拡散モデルの生成タスクを加速するために、ターゲット駆動蒸留(TDD)を導入します。 TDDは、ターゲットのタイムステップの微妙な選択戦略を採用し、トレーニング効率を高めます。 非等価サンプリングとx0クリッピングを備えており、より柔軟で正確な画像サンプリングを可能にする。
  論文  参考訳（メタデータ） (2024-09-02T16:01:38Z)
• Conditional Variational Diffusion Models [1.8657053208839998]
  逆問題とは、工学と科学における重要な課題である観測からパラメータを決定することである。 本稿では,学習過程の一環として分散スケジュールを学習するための新しいアプローチを提案する。 提案手法は,データに対する確率的条件付けをサポートし,高品質なソリューションを提供し,柔軟性があり,最小限のオーバーヘッドで異なるアプリケーションに適応できることを示す。
  論文  参考訳（メタデータ） (2023-12-04T14:45:56Z)
• Optimal Budgeted Rejection Sampling for Generative Models [54.050498411883495]
  判別器を用いた生成モデルの性能向上のために, 還元サンプリング法が提案されている。 提案手法は,まず,最適に最適である最適予算削減サンプリング方式を提案する。 第2に,モデル全体の性能を高めるために,サンプリング方式をトレーニング手順に組み込んだエンドツーエンド手法を提案する。
  論文  参考訳（メタデータ） (2023-11-01T11:52:41Z)
• Planning with Diffusion for Flexible Behavior Synthesis [125.24438991142573]
  我々は、できるだけ多くの軌道最適化パイプラインをモデリング問題に折り畳むことがどう見えるか検討する。 我々の技術的アプローチの核心は、軌道を反復的にデノベーションすることで計画する拡散確率モデルにある。
  論文  参考訳（メタデータ） (2022-05-20T07:02:03Z)

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。