論文の概要: Laplacian Score Sharpening for Mitigating Hallucination in Diffusion Models

• arxiv url: http://arxiv.org/abs/2511.07496v1
• Date: Wed, 12 Nov 2025 01:01:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.364253
• Title: Laplacian Score Sharpening for Mitigating Hallucination in Diffusion Models
• Title（参考訳）: 拡散モデルにおける幻覚の緩和のためのラプラシアンスコアシャーニング
• Authors: Barath Chandran. C, Srinivas Anumasa, Dianbo Liu,
• Abstract要約: 本研究では,モードのシャープネスを低減するために,スコアのラプラシアン(あるいは幻覚)を利用する推論中のスコア関数に対するポストホック調整を提案する。 この補正により,おもちゃの1D/2D分布と高次元画像データセットをまたいだ幻覚標本の速度が大幅に低下することを示す。
• 参考スコア（独自算出の注目度）: 4.878587790802629
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models, though successful, are known to suffer from hallucinations that create incoherent or unrealistic samples. Recent works have attributed this to the phenomenon of mode interpolation and score smoothening, but they lack a method to prevent their generation during sampling. In this paper, we propose a post-hoc adjustment to the score function during inference that leverages the Laplacian (or sharpness) of the score to reduce mode interpolation hallucination in unconditional diffusion models across 1D, 2D, and high-dimensional image data. We derive an efficient Laplacian approximation for higher dimensions using a finite-difference variant of the Hutchinson trace estimator. We show that this correction significantly reduces the rate of hallucinated samples across toy 1D/2D distributions and a high- dimensional image dataset. Furthermore, our analysis explores the relationship between the Laplacian and uncertainty in the score.
• Abstract（参考訳）: 拡散モデルは成功したが、不整合または非現実的なサンプルを生成する幻覚に苦しむことが知られている。 近年の研究では、モード補間やスコアの平滑化が原因とされているが、サンプリング時に発生しない方法が欠如している。 本稿では,1D,2D,高次元画像データ間の非条件拡散モデルにおけるモード補間幻覚を低減するために,スコアのラプラシアン(あるいはシャープネス)を利用した推論中のスコア関数に対するポストホック調整を提案する。 ハッチンソントレース推定器の有限差分変量を用いた高次元の効率的なラプラシアン近似を導出する。 この補正により,おもちゃの1D/2D分布と高次元画像データセットをまたいだ幻覚標本の速度が大幅に低下することを示す。 さらに,本分析では,ラプラシアンとスコアの不確実性との関係について検討した。

関連論文リスト

• One-for-More: Continual Diffusion Model for Anomaly Detection [63.50488826645681]
  異常検出法は拡散モデルを用いて任意の異常画像が与えられたときの正常サンプルの生成または再構成を行う。 われわれは,拡散モデルが「重度忠実幻覚」と「破滅的な忘れ」に悩まされていることを発見した。 本研究では,安定な連続学習を実現するために勾配予測を用いた連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-27T07:47:27Z)
• Enhancing Hallucination Detection through Noise Injection [9.582929634879932]
  大型言語モデル(LLM)は、幻覚として知られる、もっとも不正確な応答を生成する傾向にある。 ベイズ感覚のモデル不確実性を考慮し,検出精度を著しく向上できることを示す。 サンプリング中にモデルパラメータの適切なサブセット、あるいは等価に隠されたユニットアクティベーションを摂動する、非常に単純で効率的なアプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-06T06:02:20Z)
• Understanding Hallucinations in Diffusion Models through Mode Interpolation [89.10226585746848]
  拡散モデルにおける特定の障害モードについて検討し、これをモードモードと呼ぶ。 トレーニングセット内のデータモード間の拡散モデルを円滑に"補間"し,元のトレーニング分布の支持から完全に外れたサンプルを生成する。 幻覚が、かつて存在しなかった形の組み合わせをいかに生み出すかを示す。
  論文  参考訳（メタデータ） (2024-06-13T17:43:41Z)
• Interpreting and Improving Diffusion Models from an Optimization Perspective [4.5993996573872185]
  我々はこの観測を用いて、ユークリッド距離関数に適用された近似勾配勾配勾配として拡散モデルを解釈する。 本稿では,理論結果からの洞察を用いてDDIMを一般化した新しい勾配推定サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2023-06-08T00:56:33Z)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)

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。