論文の概要: Rectified Noise: A Generative Model Using Positive-incentive Noise

• arxiv url: http://arxiv.org/abs/2511.07911v1
• Date: Wed, 12 Nov 2025 01:28:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.537875
• Title: Rectified Noise: A Generative Model Using Positive-incentive Noise
• Title（参考訳）: 定形化雑音:正感音を用いた生成モデル
• Authors: Zhenyu Gu, Yanchen Xu, Sida Huang, Yubin Guo, Hongyuan Zhang,
• Abstract要約: 我々は、$$$-noiseジェネレータ、すなわちRectified Noise($RN)を訓練するための革新的な生成アルゴリズムを提案する。 Rectified Noiseパイプラインを導入した後、事前訓練されたRFモデルを効率よく$$$-noiseジェネレータに変換することができる。 異なるデータセット上で様々なモデルアーキテクチャにまたがる広範な実験を行うことで、定性化ノイズを検証する。
• 参考スコア（独自算出の注目度）: 9.097754636179902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rectified Flow (RF) has been widely used as an effective generative model. Although RF is primarily based on probability flow Ordinary Differential Equations (ODE), recent studies have shown that injecting noise through reverse-time Stochastic Differential Equations (SDE) for sampling can achieve superior generative performance. Inspired by Positive-incentive Noise ($π$-noise), we propose an innovative generative algorithm to train $π$-noise generators, namely Rectified Noise ($Δ$RN), which improves the generative performance by injecting $π$-noise into the velocity field of pre-trained RF models. After introducing the Rectified Noise pipeline, pre-trained RF models can be efficiently transformed into $π$-noise generators. We validate Rectified Noise by conducting extensive experiments across various model architectures on different datasets. Notably, we find that: (1) RF models using Rectified Noise reduce FID from \textbf{10.16 to 9.05} on ImageNet-1k. (2) The models of $π$-noise generators achieve improved performance with only \textbf{0.39\%} additional training parameters.
• Abstract（参考訳）: Rectified Flow (RF) は有効な生成モデルとして広く利用されている。 RFは主に確率フローの正規微分方程式(ODE)に基づいているが、最近の研究では、サンプリングのための逆時間確率微分方程式(SDE)を通してノイズを注入することで、より優れた生成性能が得られることが示されている。 本稿では, π$-ノイズ(π$-ノイズ)に着想を得て, 事前学習したRFモデルの速度場に$π$-ノイズを注入することにより, 生成性能を向上させるために, π$-ノイズ発生器を訓練する革新的な生成アルゴリズムを提案する。 Rectified Noiseパイプラインを導入した後、事前学習されたRFモデルを効率よく$π$-noiseジェネレータに変換することができる。 異なるデータセット上で様々なモデルアーキテクチャにまたがる広範な実験を行うことで、定性化ノイズを検証する。 特に, 1) RFモデルでは, ImageNet-1k 上での FID を \textbf{10.16} から 9.05} に還元する。 2)$π$-noise ジェネレータのモデルは、追加のトレーニングパラメータのみで改善された性能を達成する。

関連論文リスト

• Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
  ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。 NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
  論文  参考訳（メタデータ） (2025-10-14T13:31:34Z)
• Noise Conditional Variational Score Distillation [60.38982038894823]
  騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。 この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
  論文  参考訳（メタデータ） (2025-06-11T06:01:39Z)
• One-Step Diffusion Distillation through Score Implicit Matching [74.91234358410281]
  本稿では,Score Implicit Matching (SIM) を用いて,事前学習した拡散モデルを単一ステップジェネレータモデルに蒸留する手法を提案する。 SIMはワンステップジェネレータに対して強い経験的性能を示す。 リードトランスに基づく拡散モデルにSIMを適用することにより,テキスト・ツー・イメージ生成のための単一ステップ生成器を蒸留する。
  論文  参考訳（メタデータ） (2024-10-22T08:17:20Z)
• On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
  Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。 RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。 本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• Diffusion Gaussian Mixture Audio Denoise [23.760755498636943]
  本稿では拡散モデルとガウス混合モデルに基づくデノナイズモデルであるDiffGMMモデルを提案する。 まず1D-U-Netを用いて特徴を抽出し,ガウス混合モデルのパラメータを推定する線形層を訓練する。 推定ノイズからノイズ信号を連続的に減算してクリーンオーディオ信号を出力する。
  論文  参考訳（メタデータ） (2024-06-13T14:18:10Z)
• One Noise to Rule Them All: Learning a Unified Model of Spatially-Varying Noise Patterns [33.293193191683145]
  本稿では,複数種類のノイズを生成できる単一生成モデルを提案する。 また, 逆手続き材料設計の改善に本モデルを適用した。
  論文  参考訳（メタデータ） (2024-04-25T02:23:11Z)
• Blue noise for diffusion models [50.99852321110366]
  本稿では,画像内および画像間の相関雑音を考慮した拡散モデルを提案する。 我々のフレームワークは、勾配流を改善するために、1つのミニバッチ内に画像間の相関を導入することができる。 本手法を用いて,各種データセットの質的,定量的な評価を行う。
  論文  参考訳（メタデータ） (2024-02-07T14:59:25Z)
• Wind Noise Reduction with a Diffusion-based Stochastic Regeneration Model [19.156383933702884]
  従来提案していた拡散型再生モデルを用いた単チャンネル風雑音低減手法を提案する。 本研究では,風の流れとクリップングによる膜面の非線形変形を考慮し,雑音モデルにおける非付加音声を導入する。
  論文  参考訳（メタデータ） (2023-06-22T13:25:57Z)
• Score-Based Generative Modeling through Stochastic Differential Equations [114.39209003111723]
  複素データ分布を雑音を注入することによって既知の事前分布に変換する微分方程式を提案する。 対応する逆時間SDEは、ノイズを緩やかに除去し、先行分布をデータ分布に戻す。 スコアベース生成モデリングの進歩を活用することで、これらのスコアをニューラルネットワークで正確に推定することができる。 スコアベース生成モデルから1024×1024画像の高忠実度生成を初めて示す。
  論文  参考訳（メタデータ） (2020-11-26T19:39:10Z)

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。