論文の概要: FlowDet: Unifying Object Detection and Generative Transport Flows

• arxiv url: http://arxiv.org/abs/2512.16771v1
• Date: Thu, 18 Dec 2025 17:03:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:32.172974
• Title: FlowDet: Unifying Object Detection and Generative Transport Flows
• Title（参考訳）: FlowDet: オブジェクト検出と生成トランスポートフローの統合
• Authors: Enis Baty, C. P. Bridges, Simon Hadfield,
• Abstract要約: この研究はディフフュージョンデット(DiffusionDet)によるもので、元々は拡散による境界ボックス空間における生成的ノイズ発生問題として検出をフレーム化していた。 我々は,この定式化をより広範な生成的輸送問題に再考・一般化するとともに,箱の数や推論ステップを再訓練せずに変更する能力を維持した。 拡散によって誘導される湾曲した輸送経路とは対照的に、FlowDetはよりシンプルで直線的な経路を学習し、推論ステップの数が増えるにつれて、検出性能のスケーリングが高速化される。
• 参考スコア（独自算出の注目度）: 8.17965476453797
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present FlowDet, the first formulation of object detection using modern Conditional Flow Matching techniques. This work follows from DiffusionDet, which originally framed detection as a generative denoising problem in the bounding box space via diffusion. We revisit and generalise this formulation to a broader class of generative transport problems, while maintaining the ability to vary the number of boxes and inference steps without re-training. In contrast to the curved stochastic transport paths induced by diffusion, FlowDet learns simpler and straighter paths resulting in faster scaling of detection performance as the number of inference steps grows. We find that this reformulation enables us to outperform diffusion based detection systems (as well as non-generative baselines) across a wide range of experiments, including various precision/recall operating points using multiple feature backbones and datasets. In particular, when evaluating under recall-constrained settings, we can highlight the effects of the generative transport without over-compensating with large numbers of proposals. This provides gains of up to +3.6% AP and +4.2% AP$_{rare}$ over DiffusionDet on the COCO and LVIS datasets, respectively.
• Abstract（参考訳）: 本稿では,最新の条件付きフローマッチング技術を用いたオブジェクト検出の最初の定式化であるFlowDetを提案する。 この研究はディフフュージョンデット(DiffusionDet)によるものであり、元々は拡散による境界ボックス空間における生成的ノイズ発生問題として検出をフレーム化していた。 我々は,この定式化をより広範な生成的輸送問題に再考・一般化するとともに,箱の数や推論ステップを再訓練せずに変更する能力を維持した。 FlowDetは拡散によって誘導される湾曲した確率的輸送経路とは対照的に、より単純で直線的な経路を学習し、推論ステップの数が増えるにつれて、検出性能のスケーリングが高速化される。 この改定により、複数の特徴バックボーンとデータセットを用いて、様々な精度/リコール操作点を含む幅広い実験において、拡散に基づく検出システム(および非生成ベースライン)よりも優れた性能が得られることが判明した。 特に、リコール制約条件下での評価では、多数の提案を過度に補正することなく、生成輸送の効果を強調できる。 これにより、COCOデータセットとLVISデータセット上で、最大+3.6% APと+4.2% AP$_{rare}$ over DiffusionDetの利得が得られる。

関連論文リスト

• Test-time scaling of diffusions with flow maps [68.79792714591564]
  テスト時の拡散モデルを改善するための一般的なレシピは、報酬の勾配を拡散そのものの力学に導入することである。 フローマップを直接扱うことで,簡単な解を提案する。 本研究では, 流図と流速場の関係を利用して, 従来のテスト時間法よりも精度の高いフローマップトラジェクトリ・ティルティング (FMTT) アルゴリズムを構築した。
  論文  参考訳（メタデータ） (2025-11-27T18:44:12Z)
• FlowDPS: Flow-Driven Posterior Sampling for Inverse Problems [51.99765487172328]
  逆問題解決のための後部サンプリングは,フローを用いて効果的に行うことができる。 Flow-Driven Posterior Smpling (FlowDPS) は最先端の代替手段よりも優れています。
  論文  参考訳（メタデータ） (2025-03-11T07:56:14Z)
• Diffusion Prior-Based Amortized Variational Inference for Noisy Inverse Problems [12.482127049881026]
  そこで本稿では, 償却変分推論の観点から, 拡散による逆問題の解法を提案する。 我々の償却推論は、測定結果を対応するクリーンデータの暗黙の後方分布に直接マッピングする関数を学習し、未知の計測でも単一ステップの後方サンプリングを可能にする。
  論文  参考訳（メタデータ） (2024-07-23T02:14:18Z)
• Unsupervised Discovery of Interpretable Directions in h-space of Pre-trained Diffusion Models [63.1637853118899]
  本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。 我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。 それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
  論文  参考訳（メタデータ） (2023-10-15T18:44:30Z)
• 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)
• Diffusion Model Based Posterior Sampling for Noisy Linear Inverse Problems [14.809545109705256]
  本稿では、簡単な閉形式近似を確率スコアに提案することにより、高速で効果的な解を提案する。 拡散モデルとフローベースモデルの両方において、様々な雑音線形逆問題に対して広範な実験を行う。 提案手法は,全ての基本手法よりもはるかに高速でありながら,高い競争力あるいはより優れた復元性能を示す。
  論文  参考訳（メタデータ） (2022-11-20T01:09:49Z)

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。