論文の概要: StreamFlow: Theory, Algorithm, and Implementation for High-Efficiency Rectified Flow Generation
- arxiv url: http://arxiv.org/abs/2511.22009v1
- Date: Thu, 27 Nov 2025 01:20:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-01 19:47:55.346245
- Title: StreamFlow: Theory, Algorithm, and Implementation for High-Efficiency Rectified Flow Generation
- Title（参考訳）: StreamFlow: 高効率整流発生の理論・アルゴリズム・実装
- Authors: Sen Fang, Hongbin Zhong, Yalin Feng, Dimitris N. Metaxas,
- Abstract要約: Rectified FlowやFlow Matchingといった新しい技術は、過去2年間に生成モデルの性能を大幅に向上させてきた。
しかし, その理論, 設計, 既存拡散モデルにいくつかの違いがあるため, 既存の加速法は整流モデルに直接適用できない。
本稿では、理論、設計、推論戦略の観点から、全体的な加速パイプラインを実装した。
- 参考スコア（独自算出の注目度）: 28.22357448789995
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: New technologies such as Rectified Flow and Flow Matching have significantly improved the performance of generative models in the past two years, especially in terms of control accuracy, generation quality, and generation efficiency. However, due to some differences in its theory, design, and existing diffusion models, the existing acceleration methods cannot be directly applied to the Rectified Flow model. In this article, we have comprehensively implemented an overall acceleration pipeline from the aspects of theory, design, and reasoning strategies. This pipeline uses new methods such as batch processing with a new velocity field, vectorization of heterogeneous time-step batch processing, and dynamic TensorRT compilation for the new methods to comprehensively accelerate related models based on flow models. Currently, the existing public methods usually achieve an acceleration of 18%, while experiments have proved that our new method can accelerate the 512*512 image generation speed to up to 611%, which is far beyond the current non-generalized acceleration methods.
- Abstract（参考訳）: Rectified FlowやFlow Matchingといった新しい技術は、特に制御精度、生成品質、生成効率の観点から、過去2年間に生成モデルの性能を著しく向上させてきた。
しかし, その理論, 設計, 既存拡散モデルにいくつかの違いがあるため, 既存の加速法は整流モデルに直接適用できない。
本稿では、理論、設計、推論戦略の観点から、総合的な加速パイプラインを包括的に実装した。
このパイプラインは、新しい速度場を持つバッチ処理、異種時間ステップバッチ処理のベクトル化、フローモデルに基づく関連するモデルを包括的に高速化する動的TensorRTコンパイルなどの新しい手法を使用する。
現在,既存の公開手法では18%の加速が達成されているが,実験により512*512画像生成速度が611%まで加速できることが証明されている。
関連論文リスト
- FlowConsist: Make Your Flow Consistent with Real Trajectory [99.22869983378062]
現在の高速フロートレーニングパラダイムには,2つの根本的な問題がある,と我々は主張する。
ランダムにペアリングされたノイズデータサンプルから構築された条件付き速度は、系統的な軌跡ドリフトを導入する。
本研究では,高速フローにおける軌道整合性を実現するためのトレーニングフレームワークであるFlowConsistを提案する。
論文 参考訳（メタデータ） (2026-02-06T03:24:23Z) - Flow Straighter and Faster: Efficient One-Step Generative Modeling via MeanFlow on Rectified Trajectories [14.36205662558203]
Rectified MeanFlowは、単一のリフローステップのみを使用して、修正された軌道に沿った平均速度場をモデル化するフレームワークである。
64、256、および512の解像度でのImageNetの実験では、Re-MeanFlowは、サンプルの品質とトレーニング効率の両方で、一段階の蒸留法とRectified Flow法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-11-28T16:50:08Z) - Decoupled MeanFlow: Turning Flow Models into Flow Maps for Accelerated Sampling [68.76215229126886]
Decoupled MeanFlowは、フローモデルをアーキテクチャ変更なしにフローマップモデルに変換するシンプルなデコード戦略である。
提案手法では, 拡散変圧器の最終ブロックを後続の時間ステップに設定し, 事前学習した流れモデルを直接フローマップとして再利用する。
ImageNet 256x256 と 512x512 では、われわれのモデルはそれぞれ2.16 と2.12 の1ステップ FID に達し、先行技術よりも大きなマージンで上回っている。
論文 参考訳（メタデータ） (2025-10-28T14:43:48Z) - Align Your Flow: Scaling Continuous-Time Flow Map Distillation [63.927438959502226]
フローマップは、任意の2つのノイズレベルを1ステップで接続し、すべてのステップカウントで有効に保ちます。
画像生成ベンチマークにおいて、Align Your Flowと呼ばれるフローマップモデルを広範囲に検証する。
テキスト条件付き合成において、既存の非横断的訓練された数ステップのサンプルよりも優れたテキスト間フローマップモデルを示す。
論文 参考訳（メタデータ） (2025-06-17T15:06:07Z) - FlowTurbo: Towards Real-time Flow-Based Image Generation with Velocity Refiner [70.90505084288057]
フローベースモデルはサンプリングプロセス中により直線的なサンプリング軌道を生成する傾向にある。
擬似修正器やサンプル認識コンパイルなどいくつかの手法を導入し,推論時間をさらに短縮する。
FlowTurboはImageNet上で100(ms/img)で2.12FID、38(ms/img)で3.93FIDに達する
論文 参考訳（メタデータ） (2024-09-26T17:59:51Z) - PeRFlow: Piecewise Rectified Flow as Universal Plug-and-Play Accelerator [73.80050807279461]
Piecewise Rectified Flow (PeRFlow) は拡散モデルの高速化のためのフローベース手法である。
PeRFlowは数ステップの世代で優れたパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-05-13T07:10:53Z) - Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。
特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
論文 参考訳（メタデータ） (2023-11-22T15:07:59Z)
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。