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

• arxiv url: http://arxiv.org/abs/2510.23285v2
• Date: Fri, 31 Oct 2025 06:49:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 13:41:53.421672
• 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

• Decoupled Diffusion Sampling for Inverse Problems on Function Spaces [73.52103661482242]
  既存のプラグ・アンド・プレイ拡散後サンプリングは係数ジョイント・ソリューション・モデリングを通じて物理を暗黙的に表現する。 逆PDE問題に対する関数空間における物理認識型生成フレームワークを提案する。 我々の解答拡散逆ソルバー(DDIS)は、非条件拡散が事前に係数を学習し、ニューラル演算子はガイダンスのためにフォワードPDEを明示的にモデル化する。
  論文  参考訳（メタデータ） (2026-01-30T18:54:49Z)
• Distilling Parallel Gradients for Fast ODE Solvers of Diffusion Models [53.087070073434845]
  拡散モデル(DM)は、最先端の生成性能を達成したが、シーケンシャルなデノナイジング特性のため、高いサンプリング遅延に悩まされている。 既存のソルバベースの加速度法では、低レイテンシの予算で画像品質が劣化することが多い。 本稿では、各ODEステップに複数の並列勾配評価を組み込むことで、トランケーションエラーを軽減する新しいODEソルバであるEnsemble Parallel Direction Solutionrを提案する。
  論文  参考訳（メタデータ） (2025-07-20T03:08:06Z)
• 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)
• Diffusion-PINN Sampler [6.656265182236135]
  物理インフォームドニューラルネットワーク(PINN)を用いて,基礎となるSDEの対数密度の制御偏微分方程式を解くことにより,ドリフト項を推定する新しい拡散型サンプリングアルゴリズムを提案する。 DPSの収束保証を確立するために、PINN残差損失によって対数密度近似の誤差を制御できることを証明した。
  論文  参考訳（メタデータ） (2024-10-20T09:02:16Z)
• 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)
• SCott: Accelerating Diffusion Models with Stochastic Consistency Distillation [74.32186107058382]
  本稿では,テキスト・画像の高速生成を実現するために,SCott(Consistency Distillation)を提案する。 SCottは、訓練済みの教師モデルの通常の微分方程式解法に基づくサンプリングプロセスを学生に蒸留する。 安定拡散V1.5教師によるMSCOCO-2017 5Kデータセットでは、SCottは2ステップのサンプリングステップを持つ21.9のFIDを達成し、1ステップのInstaFlow (23.4)と4ステップのUFOGen (22.1)を上回ります。
  論文  参考訳（メタデータ） (2024-03-03T13:08:32Z)
• 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)
• SEEDS: Exponential SDE Solvers for Fast High-Quality Sampling from Diffusion Models [0.49478969093606673]
  DPM(Diffusion Probabilistic Models)として知られる強力な生成モデルのクラスが注目されている。 高速であるにもかかわらず、そのような解法は通常、利用可能な遅いSDE解法によって達成される最適な品質に達しない。 我々の目標は、その目標を達成するために数百から数千のNFEを必要とすることなく、最適な品質に達するSDEソルバを提案することである。
  論文  参考訳（メタデータ） (2023-05-23T17:19:54Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)

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。