論文の概要: Temporal Alignment Guidance: On-Manifold Sampling in Diffusion Models

• arxiv url: http://arxiv.org/abs/2510.11057v1
• Date: Mon, 13 Oct 2025 06:46:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.227886
• Title: Temporal Alignment Guidance: On-Manifold Sampling in Diffusion Models
• Title（参考訳）: 時間的アライメントガイダンス:拡散モデルにおけるオンマンフォールドサンプリング
• Authors: Youngrok Park, Hojung Jung, Sangmin Bae, Se-Young Yun,
• Abstract要約: 拡散モデルで観測されるオフ・マニフォールド現象に対処する一般解を提案する。 提案手法では,各時間段階における所望のデータ多様体からの偏差を推定するために,時間予測器を利用する。 次に,新たな誘導機構であるTAG(Temporal Alignment Guidance)を設計し,各タイミングでサンプルを所望の多様体に引き戻す。
• 参考スコア（独自算出の注目度）: 39.5710987129143
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have achieved remarkable success as generative models. However, even a well-trained model can accumulate errors throughout the generation process. These errors become particularly problematic when arbitrary guidance is applied to steer samples toward desired properties, which often breaks sample fidelity. In this paper, we propose a general solution to address the off-manifold phenomenon observed in diffusion models. Our approach leverages a time predictor to estimate deviations from the desired data manifold at each timestep, identifying that a larger time gap is associated with reduced generation quality. We then design a novel guidance mechanism, `Temporal Alignment Guidance' (TAG), attracting the samples back to the desired manifold at every timestep during generation. Through extensive experiments, we demonstrate that TAG consistently produces samples closely aligned with the desired manifold at each timestep, leading to significant improvements in generation quality across various downstream tasks.
• Abstract（参考訳）: 拡散モデルは生成モデルとして顕著な成功を収めた。 しかし、十分に訓練されたモデルでさえ、生成プロセスを通してエラーを蓄積することができる。 これらのエラーは、任意のサンプルを所望の特性に向け、サンプルの忠実度を損なう場合、特に問題となる。 本稿では,拡散モデルで観測されるオフ・マニフォールド現象に対処する一般解を提案する。 提案手法では、時間予測器を用いて、所望のデータ多様体からのずれを各タイミングで推定し、より大きな時間ギャップが生成品質の低下と関連していることを示す。 次に,新たな誘導機構であるTAG(Temporal Alignment Guidance)を設計し,生成中の各時点において,サンプルを所望の多様体に引き戻す。 広範にわたる実験により,TAGは各タイミングで所望の多様体と密に整合したサンプルを連続的に生成し,様々な下流タスクにおける生成品質を著しく向上させることを示した。

関連論文リスト

• Efficiently Generating Correlated Sample Paths from Multi-step Time Series Foundation Models [66.60042743462175]
  時系列基礎モデルから正確な相関サンプルパスを効率的に生成するためのコプラに基づく手法を提案する。 提案手法は, 自己回帰サンプリングよりもはるかに高速に相関したサンプルパスを生成する。
  論文  参考訳（メタデータ） (2025-10-02T17:08:58Z)
• Adaptive Destruction Processes for Diffusion Samplers [12.446080077998834]
  本稿では,拡散サンプリング装置におけるトレーニング可能な破壊プロセスの課題とメリットについて考察する。 ステップ数に制限がある場合、生成過程と破壊過程の両方を訓練することで、より高速な収束とサンプリング品質の向上が期待できる。
  論文  参考訳（メタデータ） (2025-06-02T11:07:27Z)
• Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting [64.45587649141842]
  時系列予測は多くの現実世界のアプリケーションにおいて重要な役割を果たす。 1つのモデルは、異なるテストサンプルで一貫して他よりも優れていますが、(ii) それぞれのモデルは特定のケースで優れています。 異種モデルのサンプルレベル適応融合による時系列予測のためのフレームワークであるTimeFuseを紹介する。
  論文  参考訳（メタデータ） (2025-05-24T00:45:07Z)
• Convergence Of Consistency Model With Multistep Sampling Under General Data Assumptions [11.317363635566517]
  自己整合性特性がトレーニング分布のほぼ下にある場合の整合性モデルの収束性について検討する。 私たちの分析では、軽度のデータ仮定しか必要とせず、フォワードプロセスのファミリーに適用される。
  論文  参考訳（メタデータ） (2025-05-06T05:31:10Z)
• Distributional Diffusion Models with Scoring Rules [83.38210785728994]
  拡散モデルは高品質な合成データを生成する。 高品質な出力を生成するには、多くの離散化ステップが必要です。 クリーンデータサンプルの後部エム分布を学習し,サンプル生成を実現することを提案する。
  論文  参考訳（メタデータ） (2025-02-04T16:59:03Z)
• Informed Correctors for Discrete Diffusion Models [27.295990499157814]
  離散拡散モデルに対する予測・相関型サンプリング手法を提案する。 情報補正器は,誤差が少なく,FIDスコアが向上した優れたサンプルを連続的に生成することを示す。 本結果は,離散拡散を用いた高速かつ高忠実な生成のための情報補正器の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2024-07-30T23:29:29Z)
• Particle Guidance: non-I.I.D. Diverse Sampling with Diffusion Models [41.192240810280424]
  本稿では, 粒子間時間進化ポテンシャルが多様性を強制する拡散型生成サンプリングの拡張である粒子誘導法を提案する。 我々は,粒子誘導が生み出す結合分布,最適多様性を達成するポテンシャルの学習方法,および他の分野の手法との関係を理論的に分析する。
  論文  参考訳（メタデータ） (2023-10-19T19:01:00Z)

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。