論文の概要: Is There a Better Source Distribution than Gaussian? Exploring Source Distributions for Image Flow Matching

• arxiv url: http://arxiv.org/abs/2512.18184v1
• Date: Sat, 20 Dec 2025 02:44:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.221505
• Title: Is There a Better Source Distribution than Gaussian? Exploring Source Distributions for Image Flow Matching
• Title（参考訳）: ガウス的よりもソース分布が優れているか? 画像フローマッチングのためのソース分布を探る
• Authors: Junho Lee, Kwanseok Kim, Joonseok Lee,
• Abstract要約: フローマッチングは、ソース分布の柔軟な選択を伴う強力な生成モデリングアプローチとして登場した。 解釈可能な2次元設定で高次元の幾何学的特性をキャプチャする新しい2次元シミュレーションを提案する。 本稿では,正規整列学習と方向決定型サンプリングを組み合わせたフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 27.47409979324549
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow matching has emerged as a powerful generative modeling approach with flexible choices of source distribution. While Gaussian distributions are commonly used, the potential for better alternatives in high-dimensional data generation remains largely unexplored. In this paper, we propose a novel 2D simulation that captures high-dimensional geometric properties in an interpretable 2D setting, enabling us to analyze the learning dynamics of flow matching during training. Based on this analysis, we derive several key insights about flow matching behavior: (1) density approximation can paradoxically degrade performance due to mode discrepancy, (2) directional alignment suffers from path entanglement when overly concentrated, (3) Gaussian's omnidirectional coverage ensures robust learning, and (4) norm misalignment incurs substantial learning costs. Building on these insights, we propose a practical framework that combines norm-aligned training with directionally-pruned sampling. This approach maintains the robust omnidirectional supervision essential for stable flow learning, while eliminating initializations in data-sparse regions during inference. Importantly, our pruning strategy can be applied to any flow matching model trained with a Gaussian source, providing immediate performance gains without the need for retraining. Empirical evaluations demonstrate consistent improvements in both generation quality and sampling efficiency. Our findings provide practical insights and guidelines for source distribution design and introduce a readily applicable technique for improving existing flow matching models. Our code is available at https://github.com/kwanseokk/SourceFM.
• Abstract（参考訳）: フローマッチングは、ソース分布の柔軟な選択を伴う強力な生成モデリングアプローチとして登場した。 ガウス分布は一般的に使われているが、高次元データ生成におけるより良い代替案の可能性はほとんど解明されていない。 本稿では,解釈可能な2次元設定で高次元幾何学的特性を捉える新しい2次元シミュレーションを提案し,学習中のフローマッチングの学習ダイナミクスを解析する。 この分析から,(1) 密度近似はモード差によるパラドックス的に性能を低下させることができる,(2) 方向のアライメントは過度に集中すると経路の絡み合いに悩まされる,(3) ガウスの全方位カバレッジは頑健な学習を保証し,(4) ノルムのミスアライメントは相当な学習コストを発生させる,といったフローマッチング行動に関する重要な知見を導出する。 これらの知見に基づいて,正規整列学習と方向決定されたサンプリングを組み合わせた実践的枠組みを提案する。 このアプローチは、推論中にデータスパース領域の初期化を排除しつつ、安定したフロー学習に不可欠な全方向の堅牢な監督を維持している。 重要なことは、ガウスソースでトレーニングされたフローマッチングモデルに当社のプルーニング戦略を適用することができ、再トレーニングを必要とせずに即時のパフォーマンス向上が実現できます。 経験的評価は、生成品質とサンプリング効率の両面で一貫した改善を示す。 本研究は,ソース分散設計の実践的洞察とガイドラインを提供し,既存のフローマッチングモデルを改善するための,容易に適用可能な技術を紹介した。 私たちのコードはhttps://github.com/kwanseokk/SourceFMで利用可能です。

関連論文リスト

• Data-to-Energy Stochastic Dynamics [16.394074432826823]
  正規化されていない密度によって1つ(または両方)の分布が与えられるとき、Schr"odinger Bridgeをモデル化するための最初の一般的な方法を提案する。 提案アルゴリズムは,非政治強化学習の最近の発展に触発されたデータフリーケースに対する反復比例フィッティング(IPF)手順の一般化に依存している。 提案したデータ・トゥ・エネルギIPFの合成問題に対する有効性を示し,マルチモーダル分布間の輸送をうまく学習できることを見出した。
  論文  参考訳（メタデータ） (2025-09-30T15:03:55Z)
• Preference Trajectory Modeling via Flow Matching for Sequential Recommendation [50.077447974294586]
  シーケンスレコメンデーションは、履歴的なインタラクションシーケンスに基づいて、各ユーザの次の項目を予測する。 FlowRecはシンプルだが効果的なシーケンシャルレコメンデーションフレームワークである。 我々は,ガウス雑音に代えてパーソナライズされた行動に基づく事前分布を構築し,ユーザの嗜好軌跡をモデル化するためのベクトル場を学習する。
  論文  参考訳（メタデータ） (2025-08-25T02:55:42Z)
• Source-Guided Flow Matching [7.888172595458005]
  本稿ではソースガイド型フローマッチングフレームワークを提案する。 事前訓練されたベクトル場をそのまま保ちながら、ソース分布を直接修正する。 これにより、ガイダンス問題は、ソース分布からサンプリングする、明確に定義された問題に還元される。
  論文  参考訳（メタデータ） (2025-08-20T15:56:25Z)
• Flow-GRPO: Training Flow Matching Models via Online RL [80.62659379624867]
  本稿では,オンライン政策強化学習をフローマッチングモデルに統合する最初の方法であるFlow-GRPOを提案する。 提案手法では,(1)決定論的正規微分方程式を同値な微分方程式に変換するODE-to-SDE変換と,(2)推論ステップの数を維持しながらトレーニングの段階を短縮するDenoising Reduction戦略の2つの主要な戦略を用いる。
  論文  参考訳（メタデータ） (2025-05-08T17:58:45Z)
• On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
  Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。 RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。 本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• Generative Modeling with Flow-Guided Density Ratio Learning [12.192867460641835]
  Flow-Guided Density Ratio Learning (FDRL)は、生成モデルに対するシンプルでスケーラブルなアプローチである。 我々は,FDRLが128時間128ドルの高次元の画像を生成するとともに,既存の勾配流ベースラインを定量的なベンチマークで上回っていることを示す。
  論文  参考訳（メタデータ） (2023-03-07T07:55:52Z)

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。