論文の概要: BézierFlow: Bézier Stochastic Interpolant Schedulers for Few-Step Generation

• arxiv url: http://arxiv.org/abs/2512.13255v1
• Date: Mon, 15 Dec 2025 12:09:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.652648
• Title: BézierFlow: Bézier Stochastic Interpolant Schedulers for Few-Step Generation
• Title（参考訳）: BézierFlow:Few-Step生成のためのBézier Stochastic Interpolant Scheduler
• Authors: Yunhong Min, Juil Koo, Seungwoo Yoo, Minhyuk Sung,
• Abstract要約: BézierFlowは、事前トレーニングされた拡散とフローモデルを備えた、数ステップ生成のための軽量なトレーニングアプローチである。 トレーニングに15分しか必要とせず、$leq$10 NFEでサンプリングするための2～3倍のパフォーマンス向上を実現している。
• 参考スコア（独自算出の注目度）: 28.843280365794683
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce BézierFlow, a lightweight training approach for few-step generation with pretrained diffusion and flow models. BézierFlow achieves a 2-3x performance improvement for sampling with $\leq$ 10 NFEs while requiring only 15 minutes of training. Recent lightweight training approaches have shown promise by learning optimal timesteps, but their scope remains restricted to ODE discretizations. To broaden this scope, we propose learning the optimal transformation of the sampling trajectory by parameterizing stochastic interpolant (SI) schedulers. The main challenge lies in designing a parameterization that satisfies critical desiderata, including boundary conditions, differentiability, and monotonicity of the SNR. To effectively meet these requirements, we represent scheduler functions as Bézier functions, where control points naturally enforce these properties. This reduces the problem to learning an ordered set of points in the time range, while the interpretation of the points changes from ODE timesteps to Bézier control points. Across a range of pretrained diffusion and flow models, BézierFlow consistently outperforms prior timestep-learning methods, demonstrating the effectiveness of expanding the search space from discrete timesteps to Bézier-based trajectory transformations.
• Abstract（参考訳）: BézierFlowは、事前訓練された拡散とフローモデルを備えた、数ステップ生成のための軽量なトレーニング手法である。 BézierFlowは、$\leq$10 NFEでサンプリングするための2～3倍のパフォーマンス向上を実現し、トレーニングに15分しか必要としない。 最近の軽量トレーニングアプローチでは、最適なタイムステップを学習することで、将来性を示しているが、そのスコープはODEの離散化に限定されている。 この範囲を広げるために、確率補間器(SI)スケジューラのパラメータ化によりサンプリング軌道の最適変換を学習することを提案する。 主な課題は、境界条件、微分可能性、SNRの単調性を含む臨界デシダラタを満たすパラメータ化を設計することである。 これらの要求を効果的に満たすため、スケジューラ関数をベジエ関数として表現し、制御点がこれらの性質を自然に強制する。 これにより、点の解釈がODEのタイムステップからベジエのコントロールポイントに変化する一方で、時間範囲における順序付けられた点集合の学習に問題が還元される。 事前訓練された拡散とフローモデルの範囲で、ベジエFlowは、離散時間ステップからベジエベースの軌道変換への探索空間の拡張の有効性を実証し、先行時間ステップ学習法を一貫して上回っている。

関連論文リスト

• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Gradient Sparsification for Efficient Wireless Federated Learning with Differential Privacy [25.763777765222358]
  フェデレートラーニング(FL)により、分散クライアントは、生データを互いに共有することなく、機械学習モデルを協調的にトレーニングできる。 モデルのサイズが大きくなるにつれて、送信帯域の制限によるトレーニングのレイテンシが低下し、個人情報が劣化すると同時に、差分プライバシ(DP)保護を使用する。 我々は、収束性能を犠牲にすることなく、トレーニング効率を向上させるために、FLフレームワーク無線チャネルのスペース化を提案する。
  論文  参考訳（メタデータ） (2023-04-09T05:21:15Z)
• PointFlowHop: Green and Interpretable Scene Flow Estimation from Consecutive Point Clouds [49.7285297470392]
  本研究では,PointFlowHopと呼ばれる3次元シーンフローの効率的な推定法を提案する。 ポイントフローホップは2つの連続する点雲を取り、第1点雲の各点の3次元フローベクトルを決定する。 シーンフロー推定タスクを,エゴモーション補償,オブジェクトアソシエーション,オブジェクトワイドモーション推定など,一連のサブタスクに分解する。
  論文  参考訳（メタデータ） (2023-02-27T23:06:01Z)
• Learning GFlowNets from partial episodes for improved convergence and stability [56.99229746004125]
  生成フローネットワーク(GFlowNets)は、非正規化対象密度の下で離散オブジェクトのシーケンシャルサンプリングを訓練するアルゴリズムである。 GFlowNetsの既存のトレーニング目的は、状態または遷移に局所的であるか、あるいはサンプリング軌道全体にわたって報酬信号を伝達する。 強化学習におけるTD($lambda$)アルゴリズムにインスパイアされたサブトラジェクティブバランス(subtrajectory balance, SubTB($lambda$)を導入する。
  論文  参考訳（メタデータ） (2022-09-26T15:44:24Z)

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。