論文の概要: CFG-EC: Error Correction Classifier-Free Guidance

• arxiv url: http://arxiv.org/abs/2511.14075v1
• Date: Tue, 18 Nov 2025 03:08:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.894187
• Title: CFG-EC: Error Correction Classifier-Free Guidance
• Title（参考訳）: CFG-EC:Error Correction Classifier-Free Guidance
• Authors: Nakkyu Yang, Yechan Lee, SooJean Han,
• Abstract要約: CFG-ECは、任意のCFGベースの手法に拡張可能な汎用的な補正スキームである。 CFG-ECはCFGやCFG++よりも非条件成分を効果的に扱えることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classifier-Free Guidance (CFG) has become a mainstream approach for simultaneously improving prompt fidelity and generation quality in conditional generative models. During training, CFG stochastically alternates between conditional and null prompts to enable both conditional and unconditional generation. However, during sampling, CFG outputs both null and conditional prompts simultaneously, leading to inconsistent noise estimates between the training and sampling processes. To reduce this error, we propose CFG-EC, a versatile correction scheme augmentable to any CFG-based method by refining the unconditional noise predictions. CFG-EC actively realigns the unconditional noise error component to be orthogonal to the conditional error component. This corrective maneuver prevents interference between the two guidance components, thereby constraining the sampling error's upper bound and establishing more reliable guidance trajectories for high-fidelity image generation. Our numerical experiments show that CFG-EC handles the unconditional component more effectively than CFG and CFG++, delivering a marked performance increase in the low guidance sampling regime and consistently higher prompt alignment across the board.
• Abstract（参考訳）: 分類自由誘導(CFG)は、条件付き生成モデルにおいて、迅速な忠実度と生成品質を同時に向上するための主流のアプローチとなっている。 訓練中、CFGは条件付きプロンプトとヌルプロンプトを確率的に交互に交換し、条件付きプロンプトと条件なしプロンプトの両方を可能にする。 しかし、サンプリング中、CFGはヌルプロンプトと条件付きプロンプトの両方を同時に出力し、トレーニングとサンプリングプロセスの間に不整合ノイズ推定を行う。 この誤差を低減するため,不条件雑音予測を補正することにより,任意のCFG法に拡張可能な汎用補正方式CFG-ECを提案する。 CFG-ECは、条件付き誤差成分と直交する無条件ノイズ誤差成分を積極的に認識する。 この補正操作は、2つの誘導成分間の干渉を防止し、サンプリング誤差の上限を制約し、高忠実度画像生成のためのより信頼性の高い誘導軌道を確立する。 数値実験により,CFG-ECはCFGやCFG++よりも効率よく非条件成分を処理し,低誘導サンプリング方式において顕著な性能向上を実現し,ボード全体の即時アライメントを継続的に向上させることを示した。

関連論文リスト

• Token Perturbation Guidance for Diffusion Models [6.255435016547602]
  Token Perturbation Guidance (TPG) は拡散ネットワーク内の中間トークン表現に直接行列を適用する新しい手法である。 TPGは訓練が不要で、入力条件に依存しないため、条件付きおよび条件なしの両方に容易に適用できる。
  論文  参考訳（メタデータ） (2025-06-10T21:25:46Z)
• Conditional Diffusion Models with Classifier-Free Gibbs-like Guidance [19.83064246586143]
  CFGは条件付きおよび非条件付きデノイザの出力を線形に結合することにより条件付き拡散モデルを改善する手法である。 CFGは視覚的品質を高め、プロンプトとの整合性を向上させるが、しばしばサンプルの多様性を低下させる。 所望の傾斜分布からサンプルを抽出するギブスライクなサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2025-05-27T12:27:33Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Nested Annealed Training Scheme for Generative Adversarial Networks [54.70743279423088]
  本稿では、厳密な数学的理論的枠組みである複合機能段階GAN(CFG)に焦点を当てる。 CFGモデルとスコアベースモデルとの理論的関係を明らかにする。 CFG判別器の学習目的は最適D(x)を求めることと等価であることがわかった。
  論文  参考訳（メタデータ） (2025-01-20T07:44:09Z)
• Contrastive CFG: Improving CFG in Diffusion Models by Contrasting Positive and Negative Concepts [55.298031232672734]
  As-Free Guidance (CFG) は条件拡散モデルサンプリングに有効であることが証明された。 対照的な損失を用いた負のCFG誘導を強化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-26T03:29:27Z)
• Rectified Diffusion Guidance for Conditional Generation [94.83538269086613]
  CFGの背後にある理論を再検討し、不適切な組合せ係数(textiti.e.)が生成分布を期待的にシフトさせることを厳密に確認する。 提案手法は, 強みを考慮すれば, textbftextitform ソリューションが有効であることを示す。 実世界のデータに関する実証的な証拠は、我々の設計と既存の最先端拡散モデルとの整合性を実証している。
  論文  参考訳（メタデータ） (2024-10-24T13:41:32Z)
• Eliminating Oversaturation and Artifacts of High Guidance Scales in Diffusion Models [27.640009920058187]
  CFG更新ルールを再検討し、この問題に対処するための修正を導入する。 過飽和を伴わない高品質な世代を実現するために並列成分の低重み付けを提案する。 また、この知見に基づいて、CFG更新ルールに対する新しい再スケーリングモーメント手法も導入する。
  論文  参考訳（メタデータ） (2024-10-03T12:06:29Z)
• CFG++: Manifold-constrained Classifier Free Guidance for Diffusion Models [52.29804282879437]
  CFG++は、従来のCFG固有のオフマンドの課題に取り組む新しいアプローチである。 より優れたインバージョン・ツー・イメージ生成、可逆性、ガイダンススケールの縮小、モード崩壊の削減などを提供する。 高次拡散解法に容易に統合でき、自然に蒸留拡散モデルに拡張できる。
  論文  参考訳（メタデータ） (2024-06-12T10:40:10Z)
• Adaptive Guidance: Training-free Acceleration of Conditional Diffusion Models [44.58960475893552]
  適応誘導 (AG) は計算自由誘導 (CFG) の効率的な変種である AGはCFGの画質を25%低下させながら保存する。 LinearAG" はベースラインモデルから逸脱するコストでさらに安価な推論を提供する。
  論文  参考訳（メタデータ） (2023-12-19T17:08:48Z)

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。