論文の概要: Optimizing Input of Denoising Score Matching is Biased Towards Higher Score Norm
- arxiv url: http://arxiv.org/abs/2511.11727v1
- Date: Thu, 13 Nov 2025 05:11:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:23.181509
- Title: Optimizing Input of Denoising Score Matching is Biased Towards Higher Score Norm
- Title（参考訳）: より高次スコアノルムに向けてのDenoising Score Matchingの入力の最適化
- Authors: Tongda Xu,
- Abstract要約: このような最適化は、デノジングスコアマッチングと正確なスコアマッチングの等価性を損なうことを実証する。
このバイアスがより高いスコアノルムにつながることも示しています。
本稿では、自動回帰生成のためのMAR、画像圧縮のためのPerCo、テキストから3D生成のためのDreamFusionなど、このバイアスに影響される幅広い作品について論じる。
- 参考スコア（独自算出の注目度）: 10.048223268345014
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many recent works utilize denoising score matching to optimize the conditional input of diffusion models. In this workshop paper, we demonstrate that such optimization breaks the equivalence between denoising score matching and exact score matching. Furthermore, we show that this bias leads to higher score norm. Additionally, we observe a similar bias when optimizing the data distribution using a pre-trained diffusion model. Finally, we discuss the wide range of works across different domains that are affected by this bias, including MAR for auto-regressive generation, PerCo for image compression, and DreamFusion for text to 3D generation.
- Abstract（参考訳）: 近年の多くの研究は、拡散モデルの条件入力を最適化するために、楽譜マッチングを活用している。
本ワークショップでは,これらの最適化がスコアマッチングと正確なスコアマッチングの等価性を損なうことを実証する。
さらに、このバイアスがより高いスコアノルムにつながることを示す。
さらに,事前学習した拡散モデルを用いてデータ分布を最適化する際にも同様のバイアスを観測する。
最後に、自動回帰生成のためのMAR、画像圧縮のためのPerCo、テキストから3D生成のためのDreamFusionなど、このバイアスに影響を受けるさまざまな領域にわたる幅広い作業について論じる。
関連論文リスト
- Preference Trajectory Modeling via Flow Matching for Sequential Recommendation [50.077447974294586]
シーケンスレコメンデーションは、履歴的なインタラクションシーケンスに基づいて、各ユーザの次の項目を予測する。
FlowRecはシンプルだが効果的なシーケンシャルレコメンデーションフレームワークである。
我々は,ガウス雑音に代えてパーソナライズされた行動に基づく事前分布を構築し,ユーザの嗜好軌跡をモデル化するためのベクトル場を学習する。
論文 参考訳（メタデータ） (2025-08-25T02:55:42Z) - Autoregressive Denoising Score Matching is a Good Video Anomaly Detector [36.96911195723131]
ビデオ異常検出(VAD)はコンピュータビジョンの重要な問題である。
雑音条件付きスコア変換器を導入し、スコアマッチングを復調する。
次に,シーン依存型,動き認識型スコア関数を提案する。
我々は、新しい自己回帰型聴覚スコアマッチング機構を介して、影響を受けない視覚情報を統合する。
論文 参考訳（メタデータ） (2025-06-29T15:14:32Z) - Whitened Score Diffusion: A Structured Prior for Imaging Inverse Problems [5.040320352639828]
ホワイトドスコア拡散モデル(WS)は、標準スコアではなくホワイトドスコア関数を学習する微分方程式に基づく新しいフレームワークである。
WS DMは任意のガウス雑音に対する流れマッチングと等価性を確立し、帰納バイアスを調整し、構造的雑音を伴う逆問題を撮像するための強力なベイズ先行を与える。
論文 参考訳（メタデータ） (2025-05-15T13:55:55Z) - Score-Based Turbo Message Passing for Plug-and-Play Compressive Image Recovery [24.60447255507278]
オフ・ザ・シェルフのイメージ・デノイザは概して、一般的なまたは手作りの先駆者に依存している。
我々は, スコアベース最小二乗誤差(MMSE)デノイザを統合した, 圧縮画像復元のためのメッセージパッシングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-28T04:30:58Z) - Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。
拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。
我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
論文 参考訳（メタデータ） (2025-01-22T18:52:06Z) - Consistent Diffusion Models: Mitigating Sampling Drift by Learning to be
Consistent [97.64313409741614]
本稿では, モデルが生成したデータ上での予測が時間とともに一定であることを示す, 両立性特性を強制することを提案する。
CIFAR-10の条件および非条件生成とAFHQとFFHQのベースライン改良について,本研究の新たな訓練目標が得られた。
論文 参考訳（メタデータ） (2023-02-17T18:45:04Z) - From Denoising Diffusions to Denoising Markov Models [38.33676858989955]
デノイング拡散は、顕著な経験的性能を示す最先端の生成モデルである。
本稿では、この手法を広い範囲に一般化し、スコアマッチングのオリジナル拡張につながる統一フレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-07T14:34:27Z) - FP-Diffusion: Improving Score-based Diffusion Models by Enforcing the
Underlying Score Fokker-Planck Equation [72.19198763459448]
雑音が増大する傾向にあるデータ密度に対応する雑音条件スコア関数の族を学習する。
これらの摂動データ密度は、密度の時空間進化を管理する偏微分方程式(PDE)であるフォッカー・プランク方程式(Fokker-Planck equation, FPE)によって結合される。
我々は、摂動データ密度の雑音条件スコアを特徴付けるスコアFPEと呼ばれる対応する方程式を導出する。
論文 参考訳（メタデータ） (2022-10-09T16:27:25Z) - Diffusion-Based Representation Learning [65.55681678004038]
教師付き信号のない表現学習を実現するために,デノナイズスコアマッチングフレームワークを拡張した。
対照的に、拡散に基づく表現学習は、デノナイジングスコアマッチング目的の新しい定式化に依存している。
同じ手法を用いて,半教師付き画像分類における最先端モデルの改善を実現する無限次元潜在符号の学習を提案する。
論文 参考訳（メタデータ） (2021-05-29T09:26:02Z)
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。