論文の概要: Test-Time Iterative Error Correction for Efficient Diffusion Models

• arxiv url: http://arxiv.org/abs/2511.06250v1
• Date: Sun, 09 Nov 2025 06:29:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.838442
• Title: Test-Time Iterative Error Correction for Efficient Diffusion Models
• Title（参考訳）: 効率的な拡散モデルに対するテスト時間反復誤差補正
• Authors: Yunshan Zhong, Yanwei Qi, Yuxin Zhang,
• Abstract要約: 反復誤差補正(英: Iterative Error Correction)は、モデル出力を反復的に精算することで、推論時のエラーを軽減するテスト時間法である。 さまざまなデータセット、効率技術、モデルアーキテクチャにわたる生成品質を一貫して改善する。
• 参考スコア（独自算出の注目度）: 16.300409397814192
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the growing demand for high-quality image generation on resource-constrained devices, efficient diffusion models have received increasing attention. However, such models suffer from approximation errors introduced by efficiency techniques, which significantly degrade generation quality. Once deployed, these errors are difficult to correct, as modifying the model is typically infeasible in deployment environments. Through an analysis of error propagation across diffusion timesteps, we reveal that these approximation errors can accumulate exponentially, severely impairing output quality. Motivated by this insight, we propose Iterative Error Correction (IEC), a novel test-time method that mitigates inference-time errors by iteratively refining the model's output. IEC is theoretically proven to reduce error propagation from exponential to linear growth, without requiring any retraining or architectural changes. IEC can seamlessly integrate into the inference process of existing diffusion models, enabling a flexible trade-off between performance and efficiency. Extensive experiments show that IEC consistently improves generation quality across various datasets, efficiency techniques, and model architectures, establishing it as a practical and generalizable solution for test-time enhancement of efficient diffusion models.
• Abstract（参考訳）: 資源制約されたデバイスにおける高品質な画像生成の需要が高まり、効率的な拡散モデルが注目されている。 しかし、そのようなモデルは効率技術によって導入された近似誤差に悩まされ、生成品質は著しく低下する。 一度デプロイすると、これらのエラーは修正が難しい。 拡散時間経過における誤差伝播の解析により,これらの近似誤差が指数関数的に蓄積され,出力品質が著しく低下することを明らかにする。 この知見に触発されたIEC(Iterative Error Correction)は,モデル出力を反復的に精算することによって推論時間誤差を緩和する新しいテスト時間法である。 IECは、再訓練やアーキテクチャの変更を必要とせず、指数関数的な成長から線形成長へのエラー伝播を減らすことが理論的に証明されている。 IECは既存の拡散モデルの推論プロセスにシームレスに統合することができ、パフォーマンスと効率の間の柔軟なトレードオフを可能にします。 大規模な実験により、IECは様々なデータセット、効率技術、モデルアーキテクチャにおける生成品質を一貫して改善し、効率的な拡散モデルの試験時間拡張のための実用的で一般化可能なソリューションとして確立した。

関連論文リスト

• A Novel Cloud-Based Diffusion-Guided Hybrid Model for High-Accuracy Accident Detection in Intelligent Transportation Systems [21.082870778158313]
  誘導分類と拡散手法を組み合わせた新しいハイブリッドモデルを提案する。 私たちの実装はクラウドベースで、スケーラブルで効率的な処理を可能にしています。 提案した拡散モデルでは,97.32%の精度で画像に基づく事故検出を行う。
  論文  参考訳（メタデータ） (2025-10-04T05:02:15Z)
• DiffIER: Optimizing Diffusion Models with Iterative Error Reduction [5.8001410709048695]
  高品質な生成のための最適化手法であるDiffIERを提案する。 本稿では,各ステップにおける反復誤差最小化により,累積誤差を効果的に低減できることを実証する。 この方法は、テキスト・ツー・イメージ生成、画像超解像、テキスト・ツー・音声生成において一貫した成功を達成する。
  論文  参考訳（メタデータ） (2025-08-19T08:41:49Z)
• Error Propagation Mechanisms and Compensation Strategies for Quantized Diffusion [8.898458268293863]
  拡散モデルは、前例のない品質と創造性のベンチマークを確立することによって、画像合成を変革した。 大規模なデプロイメントは、計算集約的な反復的デノゲーションプロセスによる課題に直面している。 拡散モデルにおける誤差伝播を数学的に定式化する理論的枠組みを開発する。 時間ステップを考慮した累積誤差補償方式を提案する。
  論文  参考訳（メタデータ） (2025-08-16T16:31:00Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
  本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。 拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。 提案手法は,実測値と非参照値の両方で高い性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T09:39:57Z)
• Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
  エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。 我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-10-28T17:25:56Z)
• Timestep-Aware Correction for Quantized Diffusion Models [28.265582848911574]
  本稿では,量子化誤差を動的に補正する量子化拡散モデルの時間ステップ対応補正法を提案する。 提案手法を低精度拡散モデルに応用することにより,出力品質の大幅な向上が期待できる。
  論文  参考訳（メタデータ） (2024-07-04T13:22:31Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• On Error Propagation of Diffusion Models [77.91480554418048]
  DMのアーキテクチャにおける誤り伝播を数学的に定式化するための理論的枠組みを開発する。 累積誤差を正規化項として適用して誤差伝搬を低減する。 提案した正規化はエラーの伝播を低減し,バニラDMを大幅に改善し,以前のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-08-09T15:31:17Z)
• Diffusion Glancing Transformer for Parallel Sequence to Sequence Learning [52.72369034247396]
  モーダリティ拡散プロセスと残差グランシングサンプリングを併用した拡散グランシング変換器を提案する。 DIFFGLATは、自己回帰モデルと非自己回帰モデルの両方と比較して、高速な復号速度を維持しながら、より優れた生成精度を実現する。
  論文  参考訳（メタデータ） (2022-12-20T13:36:25Z)

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。