論文の概要: On the Design of One-step Diffusion via Shortcutting Flow Paths

• arxiv url: http://arxiv.org/abs/2512.11831v2
• Date: Tue, 16 Dec 2025 04:05:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-21 14:22:08.703105
• Title: On the Design of One-step Diffusion via Shortcutting Flow Paths
• Title（参考訳）: ショートカット流路による一段階拡散の設計について
• Authors: Haitao Lin, Peiyan Hu, Minsi Ren, Zhifeng Gao, Zhi-Ming Ma, Guolin ke, Tailin Wu, Stan Z. Li,
• Abstract要約: 本稿では,代表的ショートカットモデルのための共通設計フレームワークを提案する。 提案した改良により、結果のワンステップモデルは、ImageNet-256x256上で2.85の2.85の最先端のFID50kを達成する。 注目すべきは、事前訓練、蒸留、カリキュラム学習を必要としないことだ。
• 参考スコア（独自算出の注目度）: 78.72016001375935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in few-step diffusion models have demonstrated their efficiency and effectiveness by shortcutting the probabilistic paths of diffusion models, especially in training one-step diffusion models from scratch (\emph{a.k.a.} shortcut models). However, their theoretical derivation and practical implementation are often closely coupled, which obscures the design space. To address this, we propose a common design framework for representative shortcut models. This framework provides theoretical justification for their validity and disentangles concrete component-level choices, thereby enabling systematic identification of improvements. With our proposed improvements, the resulting one-step model achieves a new state-of-the-art FID50k of 2.85 on ImageNet-256x256 under the classifier-free guidance setting with one step generation, and further reaches FID50k of 2.52 with 2x training steps. Remarkably, the model requires no pre-training, distillation, or curriculum learning. We believe our work lowers the barrier to component-level innovation in shortcut models and facilitates principled exploration of their design space.
• Abstract（参考訳）: 数段階拡散モデルの最近の進歩は、拡散モデルの確率的経路をショートカットすることで、特に1段階拡散モデルをスクラッチからトレーニングする(\emph{a.k.a.} ショートカットモデル)。 しかし、理論的な導出と実践的な実装はしばしば密接に結びついており、設計空間を曖昧にしている。 そこで本研究では,代表的ショートカットモデルのための共通設計フレームワークを提案する。 この枠組みは、その妥当性を理論的に正当化し、具体的なコンポーネントレベルの選択を解き放つことにより、改善の体系的な識別を可能にする。 提案した改良により,画像Net-256x256上でのFID50kが2.85に向上し,さらにFID50kの2.52に到達した。 注目すべきは、事前訓練、蒸留、カリキュラム学習を必要としないことだ。 当社の作業は、ショートカットモデルにおけるコンポーネントレベルのイノベーションに対する障壁を低くし、設計空間の原則的な探索を促進します。

関連論文リスト

• Efficient Training of Diffusion Mixture-of-Experts Models: A Practical Recipe [51.26601054313749]
  Diffusion MoEモデルに対する最近の取り組みは、主により洗練されたルーティングメカニズムの開発に焦点を当てている。 大規模言語モデル(LLM)で確立されたMoE設計パラダイムに着想を得て,効率的な拡散MoEモデルを構築する上で重要なアーキテクチャ要素のセットを特定する。 本稿では,潜在空間拡散フレームワークと画素空間拡散フレームワークの両方に効率よく適用可能な新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-12-01T03:52:31Z)
• 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)
• Learning Diffusion Models with Flexible Representation Guidance [49.26046407886349]
  本稿では,表現指導を拡散モデルに組み込むための体系的枠組みを提案する。 拡散モデルにおける表現アライメントを強化するための2つの新しい戦略を導入する。 画像、タンパク質配列、分子生成タスクにわたる実験は、優れた性能を示し、訓練を加速する。
  論文  参考訳（メタデータ） (2025-07-11T19:29:02Z)
• Flow-Anchored Consistency Models [32.04797599813587]
  継続的一貫性モデル(CM)は効率的な数ステップ生成を約束するが、トレーニングの不安定さに直面する。 確率流を横断するショートカットのみを学習するようにネットワークを訓練することで、モデルがフローを定義する瞬間的な速度場を把握できなくなる。 本稿では,フローマッチングタスクをメインのCMショートカット目的のアンカーとして使用する,シンプルかつ効果的なトレーニング戦略であるフローアンコール一貫性モデル(FACM)を紹介する。
  論文  参考訳（メタデータ） (2025-07-04T17:56:51Z)
• 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)
• Mean Flows for One-step Generative Modeling [64.4997821467102]
  本稿では,一段階生成モデリングのための原理的かつ効果的なフレームワークを提案する。 ニューラルネットワークトレーニングのガイドには,平均速度と瞬時速度を適切に定義したアイデンティティが導出され,使用される。 提案手法はMeanFlowモデルと呼ばれ,自己完結型であり,事前学習,蒸留,カリキュラム学習は不要である。
  論文  参考訳（メタデータ） (2025-05-19T17:59:42Z)
• SlimFlow: Training Smaller One-Step Diffusion Models with Rectified Flow [24.213303324584906]
  我々は, 強力な整流フローフレームワークに基づく, 小型かつ効率的な1ステップ拡散モデルを構築した。 我々は、FIDが5.02と15.7Mの1ステップ拡散モデルを訓練し、従来の最先端1ステップ拡散モデルよりも優れている。
  論文  参考訳（メタデータ） (2024-07-17T16:38:45Z)

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。