論文の概要: Adaptive Stochastic Coefficients for Accelerating Diffusion Sampling

• arxiv url: http://arxiv.org/abs/2510.23285v1
• Date: Mon, 27 Oct 2025 12:53:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.55209
• Title: Adaptive Stochastic Coefficients for Accelerating Diffusion Sampling
• Title（参考訳）: 拡散サンプリング高速化のための適応確率係数
• Authors: Ruoyu Wang, Beier Zhu, Junzhi Li, Liangyu Yuan, Chi Zhang,
• Abstract要約: AdaSDEは、SDEのエラーレジリエンスとODEの効率を統一することを目的とした、新しいシングルステップSDEソルバである。 具体的には, 拡散サンプリングを高速化するために, 誤差補正強度を動的に制御する, 軽量蒸留により推定される1ステップ毎の学習可能係数を導入する。 5 NFEで、AdaSDEはCIFAR-10で4.18点、FFHQで8.05点、LSUNベッドルームで6.96点を達成している。
• 参考スコア（独自算出の注目度）: 11.922538785783587
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion-based generative processes, formulated as differential equation solving, frequently balance computational speed with sample quality. Our theoretical investigation of ODE- and SDE-based solvers reveals complementary weaknesses: ODE solvers accumulate irreducible gradient error along deterministic trajectories, while SDE methods suffer from amplified discretization errors when the step budget is limited. Building upon this insight, we introduce AdaSDE, a novel single-step SDE solver that aims to unify the efficiency of ODEs with the error resilience of SDEs. Specifically, we introduce a single per-step learnable coefficient, estimated via lightweight distillation, which dynamically regulates the error correction strength to accelerate diffusion sampling. Notably, our framework can be integrated with existing solvers to enhance their capabilities. Extensive experiments demonstrate state-of-the-art performance: at 5 NFE, AdaSDE achieves FID scores of 4.18 on CIFAR-10, 8.05 on FFHQ and 6.96 on LSUN Bedroom. Codes are available in https://github.com/WLU-wry02/AdaSDE.
• Abstract（参考訳）: 拡散に基づく生成過程は、微分方程式の解法として定式化され、しばしば計算速度とサンプルの品質のバランスをとる。 ODEソルバは、決定論的軌道に沿って既約勾配誤差を蓄積し、SDE法は、ステップ予算が制限されたときに増幅離散化誤差に悩まされる。 この知見に基づいて、SDEのエラーレジリエンスとODEの効率を統一することを目的とした、新しいシングルステップSDEソルバであるAdaSDEを紹介する。 具体的には, 拡散サンプリングを高速化するために, 誤差補正強度を動的に制御する, 軽量蒸留により推定される1ステップ毎の学習可能係数を導入する。 特に、我々のフレームワークは既存のソルバと統合して機能を強化することができます。 5 NFEでは、AdaSDEはCIFAR-10で4.18点、FFHQで8.05点、LSUNベッドルームで6.96点のFIDスコアを達成した。 コードはhttps://github.com/WLU-wry02/AdaSDEで入手できる。

関連論文リスト

• Physics-Informed Distillation of Diffusion Models for PDE-Constrained Generation [19.734778762515468]
  拡散モデルは、物理系のモデリング、特に偏微分方程式(PDE)によって支配されるものにおいて、注目を集めている。 本稿では, PDE 制約を直接拡散過程に注入するのではなく, ポストホック蒸留段階において適用する, 単純かつ効果的なポストホック蒸留法を提案する。
  論文  参考訳（メタデータ） (2025-05-28T14:17:58Z)
• AdjointDEIS: Efficient Gradients for Diffusion Models [2.0795007613453445]
  拡散SDEに対する連続随伴方程式は、実際には単純なODEに単純化されていることを示す。 また, 顔形態形成問題の形で, 対向攻撃による誘導生成に対するAdjointDEISの有効性を実証した。
  論文  参考訳（メタデータ） (2024-05-23T19:51:33Z)
• Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
  本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。 画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
  論文  参考訳（メタデータ） (2023-11-02T02:05:38Z)
• Elucidating the solution space of extended reverse-time SDE for diffusion models [23.637881476921596]
  サンプリングプロセスを拡張逆時間SDE(ER SDE)として定式化する。 SDE と VE SDE に対してそれぞれ正確な解と近似解を提供する。 我々は,ER-SDE-rsという効率的な高品質なサンプリング装置を考案した。
  論文  参考訳（メタデータ） (2023-09-12T12:27:17Z)
• SA-Solver: Stochastic Adams Solver for Fast Sampling of Diffusion Models [63.49229402384349]
  拡散確率モデル(DPM)は生成タスクでかなりの成功を収めた。 DPM からのサンプリングは、時間を要する拡散 SDE や ODE の解法と等価であるため、改良された微分方程式解法に基づく多数の高速サンプリング手法が提案されている。 SDEを解き、高品質なデータを生成するための効率的な方法である textitSA-r を提案する。
  論文  参考訳（メタデータ） (2023-09-10T12:44:54Z)

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。