論文の概要: ReSWD: ReSTIR'd, not shaken. Combining Reservoir Sampling and Sliced Wasserstein Distance for Variance Reduction

• arxiv url: http://arxiv.org/abs/2510.01061v1
• Date: Wed, 01 Oct 2025 16:01:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.658835
• Title: ReSWD: ReSTIR'd, not shaken. Combining Reservoir Sampling and Sliced Wasserstein Distance for Variance Reduction
• Title（参考訳）: ReSWD: ReSTIR'd, not shaken. 貯留層サンプリングとスライスワッサースタイン距離の併用による分散低減
• Authors: Mark Boss, Andreas Engelhardt, Simon Donné, Varun Jampani,
• Abstract要約: Sliced Wasserstein Distance (SWD) はスケーラブルな代替手段を提供するが、モンテカルロ推定器は高い分散に悩まされている。 本稿では、重み付き貯留層サンプリングをSWDに統合し、情報投影方向を適応的に維持するReservoir SWD(Reservoir SWD)を紹介する。 合成ベンチマークと色補正や拡散誘導のような実世界のタスクの実験は、ReSWDが標準SWDより一貫して優れていることを示している。
• 参考スコア（独自算出の注目度）: 46.96175392795852
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distribution matching is central to many vision and graphics tasks, where the widely used Wasserstein distance is too costly to compute for high dimensional distributions. The Sliced Wasserstein Distance (SWD) offers a scalable alternative, yet its Monte Carlo estimator suffers from high variance, resulting in noisy gradients and slow convergence. We introduce Reservoir SWD (ReSWD), which integrates Weighted Reservoir Sampling into SWD to adaptively retain informative projection directions in optimization steps, resulting in stable gradients while remaining unbiased. Experiments on synthetic benchmarks and real-world tasks such as color correction and diffusion guidance show that ReSWD consistently outperforms standard SWD and other variance reduction baselines. Project page: https://reservoirswd.github.io/
• Abstract（参考訳）: 分布マッチングは多くの視覚やグラフィックスのタスクの中心であり、ワッサーシュタイン距離は高次元分布の計算には高すぎる。 Sliced Wasserstein Distance (SWD) はスケーラブルな代替手段を提供するが、モンテカルロ推定器は高い分散に悩まされ、ノイズの勾配と緩やかな収束をもたらす。 本稿では,Reservoir SWD (Reservoir SWD) を導入し,重み付き貯水池サンプリングをSWDに統合し,最適化ステップにおける情報投影方向を適応的に維持する。 合成ベンチマークと色補正や拡散誘導のような実世界のタスクの実験により、ReSWDは標準SWDや他の分散還元基線よりも一貫して優れていることが示された。 プロジェクトページ: https://reservoirswd.github.io/

関連論文リスト

• Fast Estimation of Wasserstein Distances via Regression on Sliced Wasserstein Distances [70.94157767200342]
  本稿では,スライスされたワッサーシュタイン距離の回帰に基づく高速推定法を提案する。 少数の分布対から正確なモデルを学習できることが示される。 我々の手法は、最先端のワッサーシュタイン埋め込みモデルであるワッサーシュタインワームホールよりも、ワッサーシュタイン距離の近似が常に優れている。
  論文  参考訳（メタデータ） (2025-09-24T19:30:53Z)
• SteinDreamer: Variance Reduction for Text-to-3D Score Distillation via Stein Identity [70.32101198891465]
  スコア蒸留における勾配推定は, 分散度が高いことが示唆された。 本稿では,Stin Score Distillation (SSD) と呼ばれる,スコア蒸留の分散を低減するための,より一般的な解を提案する。 我々はSteinDreamerがより安定した勾配更新により既存の方法よりも高速に収束できることを実証した。
  論文  参考訳（メタデータ） (2023-12-31T23:04:25Z)
• Sliced Wasserstein Estimation with Control Variates [47.18652387199418]
  2つの確率測度の間のスライスされたワッサーシュタイン距離は、2つの1次元射影の間のワッサースタイン距離の予想として定義される。 予測の難易度のために、SW距離の値を推定するためにモンテカルロ積分が実行される。 様々な変種があるにもかかわらず、SW距離に対するモンテカルロ推定法を改善する事前の作業は行われていない。
  論文  参考訳（メタデータ） (2023-04-30T06:03:17Z)
• Mutual Wasserstein Discrepancy Minimization for Sequential Recommendation [82.0801585843835]
  逐次リコメンデーションのためのMutual WasserStein差分最小化MSteinに基づく新しい自己教師型学習フレームワークを提案する。 また,ワッサーシュタイン離散度測定に基づく新しい学習損失を提案する。
  論文  参考訳（メタデータ） (2023-01-28T13:38:48Z)
• Augmented Sliced Wasserstein Distances [55.028065567756066]
  拡張スライスされたワッサーシュタイン距離(ASWD)と呼ばれる新しい距離測定法を提案する。 ASWDは、ニューラルネットワークによってパラメータ化された高次元超曲面への最初のマッピングサンプルによって構成される。 数値的な結果から、ASWDは、合成問題と実世界の問題の両方において、他のワッサーシュタイン変種を著しく上回っていることが示されている。
  論文  参考訳（メタデータ） (2020-06-15T23:00:08Z)

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。