論文の概要: Multi-view diffusion geometry using intertwined diffusion trajectories

• arxiv url: http://arxiv.org/abs/2512.01484v1
• Date: Mon, 01 Dec 2025 10:05:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.794379
• Title: Multi-view diffusion geometry using intertwined diffusion trajectories
• Title（参考訳）: 相互拡散軌道を用いた多視点拡散幾何学
• Authors: Gwendal Debaussart-Joniec, Argyris Kalogeratos,
• Abstract要約: 本稿では,MDT(Intertwined Multi-view diffusion trajectories)による多視点拡散幾何学構築のための統一フレームワークを提案する。 我々の定式化は、既存の多視点拡散モデルを含み、ビューインタラクションと融合のための新しい自由度を提供する。 本稿では,内部品質対策によって導かれる,定義された演算子空間内のMDT演算子を学習するための様々な戦略を提案する。
• 参考スコア（独自算出の注目度）: 0.906681787649105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces a comprehensive unified framework for constructing multi-view diffusion geometries through intertwined multi-view diffusion trajectories (MDTs), a class of inhomogeneous diffusion processes that iteratively combine the random walk operators of multiple data views. Each MDT defines a trajectory-dependent diffusion operator with a clear probabilistic and geometric interpretation, capturing over time the interplay between data views. Our formulation encompasses existing multi-view diffusion models, while providing new degrees of freedom for view interaction and fusion. We establish theoretical properties under mild assumptions, including ergodicity of both the point-wise operator and the process in itself. We also derive MDT-based diffusion distances, and associated embeddings via singular value decompositions. Finally, we propose various strategies for learning MDT operators within the defined operator space, guided by internal quality measures. Beyond enabling flexible model design, MDTs also offer a neutral baseline for evaluating diffusion-based approaches through comparison with randomly selected MDTs. Experiments show the practical impact of the MDT operators in a manifold learning and data clustering context.
• Abstract（参考訳）: 本稿では,複数のデータビューのランダムウォーク演算子を反復的に組み合わせた不均一な拡散過程のクラスであるMDT(Intertwined Multi-view diffusion trajectories)を通じて,多視点拡散幾何学を構築するための統合統合フレームワークを提案する。 各MDTは、データビュー間の相互作用を時間とともにキャプチャし、明確な確率的および幾何学的解釈を持つ軌道依存拡散演算子を定義する。 我々の定式化は、既存の多視点拡散モデルを含み、ビューインタラクションと融合のための新しい自由度を提供する。 我々は、点演算子とプロセス自体のエルゴード性を含む、穏やかな仮定の下で理論的性質を確立する。 また, MDTに基づく拡散距離と, 特異値分解による埋め込みを導出する。 最後に,MDT演算子を内部品質測定によって導かれる演算子空間内で学習するための様々な戦略を提案する。 フレキシブルモデル設計の他に、MDTはランダムに選択されたMDTと比較して拡散に基づくアプローチを評価する中立的なベースラインを提供する。 実験は、多様体学習およびデータクラスタリングの文脈におけるMDT演算子の実践的影響を示す。

関連論文リスト

• Riemannian Denoising Diffusion Probabilistic Models [7.964790563398277]
  関数のレベル集合であるユークリッド空間の部分多様体上の分布を学習するためのRDDPMを提案する。 連続時間限界における手法の理論解析を行う。 提案手法は,過去の研究から得られたデータセットと,新しいサンプルデータセットで実証された。
  論文  参考訳（メタデータ） (2025-05-07T11:37:16Z)
• Categorical Flow Matching on Statistical Manifolds [12.646272756981672]
  本稿では,情報幾何学に着想を得たパラメータ化確率尺度の多様体上でのフローマッチングフレームワークを提案する。 我々は,多様体間の微分同相法により数値安定性を克服する効率的なトレーニングとサンプリングアルゴリズムを開発した。 我々は、SFMが、既存のモデルがしばしば失敗するような統計多様体上でより複雑なパターンを学習できることを示した。
  論文  参考訳（メタデータ） (2024-05-26T05:50:39Z)
• MG-TSD: Multi-Granularity Time Series Diffusion Models with Guided Learning Process [26.661721555671626]
  本稿では,最先端の予測性能を実現する新しい多粒度時系列(MG-TSD)モデルを提案する。 われわれのアプローチは外部データに頼らず、様々な領域にまたがって汎用的で適用可能である。
  論文  参考訳（メタデータ） (2024-03-09T01:15:03Z)
• Leveraging Diffusion Disentangled Representations to Mitigate Shortcuts in Underspecified Visual Tasks [92.32670915472099]
  拡散確率モデル(DPM)を用いた合成カウンターファクトの生成を利用したアンサンブルの多様化フレームワークを提案する。 拡散誘導型分散化は,データ収集を必要とする従来の手法に匹敵するアンサンブル多様性を達成し,ショートカットからの注意を回避できることを示す。
  論文  参考訳（メタデータ） (2023-10-03T17:37:52Z)
• Mirror Diffusion Models for Constrained and Watermarked Generation [41.27274841596343]
  ミラー拡散モデル(MDM)は、トラクタビリティを損なうことなく凸制約セット上のデータを生成する新しい拡散モデルである。 安全とプライバシーのために、我々は、生成したデータに目に見えないが定量的な情報を埋め込む新しいメカニズムとして制約セットを探求する。 私たちの研究は、複雑なドメイン上での抽出可能な拡散を学習する新しいアルゴリズムの機会をもたらします。
  論文  参考訳（メタデータ） (2023-10-02T14:26:31Z)
• Diff-Instruct: A Universal Approach for Transferring Knowledge From Pre-trained Diffusion Models [77.83923746319498]
  本稿では,任意の生成モデルの学習を指導するDiff-Instructというフレームワークを提案する。 Diff-Instructは、最先端の単一ステップ拡散モデルであることを示す。 GANモデルの精製実験により、Diff-InstructはGANモデルの事前訓練されたジェネレータを一貫して改善できることが示されている。
  論文  参考訳（メタデータ） (2023-05-29T04:22:57Z)

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。