論文の概要: OAT-FM: Optimal Acceleration Transport for Improved Flow Matching

• arxiv url: http://arxiv.org/abs/2509.24936v1
• Date: Mon, 29 Sep 2025 15:36:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:20.098861
• Title: OAT-FM: Optimal Acceleration Transport for Improved Flow Matching
• Title（参考訳）: OAT-FM:フローマッチング改善のための最適加速輸送
• Authors: Angxiao Yue, Anqi Dong, Hongteng Xu,
• Abstract要約: Flow Matching (FM)は、ノイズからデータへの速度場学習を目的としている。 FM橋と最近の最適加速輸送理論(OAT) 我々は、OAT-FMと呼ばれる改良されたFM法を開発し、理論と実践の両面でその利点を探求する。
• 参考スコア（独自算出の注目度）: 31.693019737039496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a powerful technique in generative modeling, Flow Matching (FM) aims to learn velocity fields from noise to data, which is often explained and implemented as solving Optimal Transport (OT) problems. In this study, we bridge FM and the recent theory of Optimal Acceleration Transport (OAT), developing an improved FM method called OAT-FM and exploring its benefits in both theory and practice. In particular, we demonstrate that the straightening objective hidden in existing OT-based FM methods is mathematically equivalent to minimizing the physical action associated with acceleration defined by OAT. Accordingly, instead of enforcing constant velocity, OAT-FM optimizes the acceleration transport in the product space of sample and velocity, whose objective corresponds to a necessary and sufficient condition of flow straightness. An efficient algorithm is designed to achieve OAT-FM with low complexity. OAT-FM motivates a new two-phase FM paradigm: Given a generative model trained by an arbitrary FM method, whose velocity information has been relatively reliable, we can fine-tune and improve it via OAT-FM. This paradigm eliminates the risk of data distribution drift and the need to generate a large number of noise data pairs, which consistently improves model performance in various generative tasks. Code is available at: https://github.com/AngxiaoYue/OAT-FM
• Abstract（参考訳）: 生成モデリングの強力な技術として、フローマッチング(FM)はノイズからデータへの速度場を学習することを目的としており、これはしばしば最適輸送(OT)問題の解法として説明され実装される。 本研究では、FMと最近のOAT(Optimal Acceleration Transport)理論を橋渡し、OAT-FMと呼ばれる改良されたFM法を開発し、理論と実践の両面でその利点を探求する。 特に,既存の OT-based FM 法に隠れたストレート化の対象は,OAT が定義した加速度に付随する物理行動を最小化することと数学的に等価であることを示す。 したがって、OAT-FMは一定の速度を強制するのではなく、サンプルと速度の積空間における加速輸送を最適化する。 効率的なアルゴリズムは、OAT-FMを低複雑性で実現するように設計されている。 OAT-FMは新しい2相FMパラダイムを動機付けている: 速度情報が比較的信頼性の高い任意のFM法で訓練された生成モデルを考えると、OAT-FMを介して微調整し改善することができる。 このパラダイムは、データ分散ドリフトのリスクを排除し、多数のノイズデータペアを生成する必要をなくし、様々な生成タスクにおけるモデル性能を一貫して改善する。 コードは、https://github.com/AngxiaoYue/OAT-FMで入手できる。

関連論文リスト

• Diff2Flow: Training Flow Matching Models via Diffusion Model Alignment [22.661660797545164]
  拡散モデルは高忠実度出力によって生成タスクに革命をもたらしたが、フローマッチング(FM)はより高速な推論と経験的な性能向上を提供する。 この研究は、事前学習された拡散モデルからフローマッチングへの知識の伝達を効率的に行うという重要な課題に対処する。 本稿では,拡散とFMパラダイムを体系的にブリッジする新しいフレームワークであるDiff2Flowを提案し,時間ステップを再スケーリングし,補間を整列させ,拡散予測からFM互換速度場を導出する。
  論文  参考訳（メタデータ） (2025-06-02T20:05:05Z)
• Local Flow Matching Generative Models [19.859984725284896]
  フローマッチング(英: Flow Matching, FM)は、2つの分布を補間する連続的かつ非可逆的な流れを学習するためのシミュレーション不要な手法である。 FMサブモデルのシーケンスを連続的に学習するLFM(Local Flow Matching)と呼ばれるステップワイズFMモデルを提案する。 FMと比較して, LFMの訓練効率と競争的生成性能の改善を実証的に実証した。
  論文  参考訳（メタデータ） (2024-10-03T14:53:10Z)
• Optimal Flow Matching: Learning Straight Trajectories in Just One Step [89.37027530300617]
  我々は,新しいtextbf Optimal Flow Matching (OFM) アプローチを開発し,理論的に正当化する。 これは2次輸送のための直列のOT変位をFMの1ステップで回復することを可能にする。 提案手法の主な考え方は,凸関数によってパラメータ化されるFMのベクトル場の利用である。
  論文  参考訳（メタデータ） (2024-03-19T19:44:54Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)

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。