論文の概要: Toward Diffusible High-Dimensional Latent Spaces: A Frequency Perspective

• arxiv url: http://arxiv.org/abs/2511.22249v1
• Date: Thu, 27 Nov 2025 09:20:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.478788
• Title: Toward Diffusible High-Dimensional Latent Spaces: A Frequency Perspective
• Title（参考訳）: 拡散可能な高次元潜在空間に向けて:周波数視点
• Authors: Bolin Lai, Xudong Wang, Saketh Rambhatla, James M. Rehg, Zsolt Kira, Rohit Girdhar, Ishan Misra,
• Abstract要約: 我々は、エンコーダ/デコーダの動作を分析し、デコーダが詳細を回復するために高周波遅延成分に強く依存していることを確認する。 本稿ではFreqWarmについて紹介する。FreqWarmはプラグアンドプレイの周波数ウォームアップカリキュラムで、高周波潜時信号の早期露出を増大させる。
• 参考スコア（独自算出の注目度）: 73.86108756585857
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Latent diffusion has become the default paradigm for visual generation, yet we observe a persistent reconstruction-generation trade-off as latent dimensionality increases: higher-capacity autoencoders improve reconstruction fidelity but generation quality eventually declines. We trace this gap to the different behaviors in high-frequency encoding and decoding. Through controlled perturbations in both RGB and latent domains, we analyze encoder/decoder behaviors and find that decoders depend strongly on high-frequency latent components to recover details, whereas encoders under-represent high-frequency contents, yielding insufficient exposure and underfitting in high-frequency bands for diffusion model training. To address this issue, we introduce FreqWarm, a plug-and-play frequency warm-up curriculum that increases early-stage exposure to high-frequency latent signals during diffusion or flow-matching training -- without modifying or retraining the autoencoder. Applied across several high-dimensional autoencoders, FreqWarm consistently improves generation quality: decreasing gFID by 14.11 on Wan2.2-VAE, 6.13 on LTX-VAE, and 4.42 on DC-AE-f32, while remaining architecture-agnostic and compatible with diverse backbones. Our study shows that explicitly managing frequency exposure can successfully turn high-dimensional latent spaces into more diffusible targets.
• Abstract（参考訳）: 遅延拡散は、視覚発生のデフォルトパラダイムとなっているが、遅延次元が増大するにつれて、持続的な再構成世代トレードオフが観察される: 高容量オートエンコーダは、再構成フィデリティを改善するが、最終的に生成品質は低下する。 我々はこのギャップを高周波符号化と復号における異なる挙動に遡る。 RGB領域と潜伏領域の両方で制御された摂動を通して、エンコーダ/デコーダの挙動を分析し、デコーダが詳細を回復するために高周波潜伏成分に強く依存しているのに対して、エンコーダは高周波コンテンツを下記し、拡散モデルトレーニングのための高周波帯域では露出が不十分で不適合であることを示す。 この問題に対処するために、FreqWarmというプラグイン・アンド・プレイの周波数ウォームアップカリキュラムを紹介します。 Wan2.2-VAEでは14.11、LTX-VAEでは6.13、DC-AE-f32では4.42、アーキテクチャ非依存で多様なバックボーンと互換性がある。 我々の研究は、周波数露光を明示的に管理することで、高次元の潜伏空間をより拡散可能なターゲットにすることができることを示した。

関連論文リスト

• SONAR: Spectral-Contrastive Audio Residuals for Generalizable Deepfake Detection [6.042897432654865]
  Spectral-cONtrastive Audio Residuals (AR)は、ディープフェイクオーディオ検出器のための周波数誘導フレームワークである。 ARは音声信号を補完表現に切り離す。 ASVspoof 2021およびin-the-wildベンチマークで評価した。
  論文  参考訳（メタデータ） (2025-11-26T12:16:38Z)
• Latent Harmony: Synergistic Unified UHD Image Restoration via Latent Space Regularization and Controllable Refinement [89.99237142387655]
  LH-VAEを導入し、視覚的意味的制約や進行的劣化による意味的堅牢性を高める。 Latent Harmonyは、UHD修復のためのVAEを再定義する2段階のフレームワークである。 実験により、Latent HarmonyはUHDおよび標準解像度タスクにまたがって最先端のパフォーマンスを実現し、効率、知覚品質、再現精度を効果的にバランスさせることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T08:54:26Z)
• Improving the Diffusability of Autoencoders [54.920783089085035]
  高品質な画像やビデオを生成するための主要なアプローチとして、潜伏拡散モデルが登場している。 我々は、現代のオートエンコーダのスペクトル分析を行い、その潜在空間における不規則な高周波成分を同定する。 我々は、この高周波成分が拡散合成プロセスの粗大な微細な性質に干渉し、生成品質を阻害する仮説を立てた。
  論文  参考訳（メタデータ） (2025-02-20T18:45:44Z)
• High-Frequency Enhanced Hybrid Neural Representation for Video Compression [32.38933743785333]
  本稿では,高周波拡張型ハイブリッドニューラル表現ネットワークを提案する。 本手法は,ネットワークによる細部合成を改善するために,高周波情報を活用することに焦点を当てている。 BunnyおよびUVGデータセットの実験は、我々の手法が他の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-11-11T03:04:46Z)
• Denoising Diffusion Error Correction Codes [92.10654749898927]
  近年、ニューラルデコーダは古典的デコーダ技術に対する優位性を実証している。 最近の最先端のニューラルデコーダは複雑で、多くのレガシデコーダの重要な反復的スキームが欠如している。 本稿では,任意のブロック長の線形符号のソフトデコードにデノナイズ拡散モデルを適用することを提案する。
  論文  参考訳（メタデータ） (2022-09-16T11:00:50Z)

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。