論文の概要: Rethinking Refinement: Correcting Generative Bias without Noise Injection

• arxiv url: http://arxiv.org/abs/2601.21182v1
• Date: Thu, 29 Jan 2026 02:34:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.52145
• Title: Rethinking Refinement: Correcting Generative Bias without Noise Injection
• Title（参考訳）: リファインメントの再考:ノイズ注入なしで生成バイアスを補正する
• Authors: Xin Peng, Ang Gao,
• Abstract要約: 拡散モデルやフローベースモデルを含む生成モデルは、しばしばサンプルの品質を低下させる体系的なバイアスを示す。 ノイズインジェクションやマルチステップ再サンプリングを使わずに,効果的なバイアス補正がポストホック法として実現できることを示す。
• 参考スコア（独自算出の注目度）: 7.28668585578288
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models, including diffusion and flow-based models, often exhibit systematic biases that degrade sample quality, particularly in high-dimensional settings. We revisit refinement methods and show that effective bias correction can be achieved as a post-hoc procedure, without noise injection or multi-step resampling of the sampling process. We propose a flow-matching-based \textbf{Bi-stage Flow Refinement (BFR)} framework with two refinement strategies operating at different stages: latent space alignment for approximately invertible generators and data space refinement trained with lightweight augmentations. Unlike previous refiners that perturb sampling dynamics, BFR preserves the original ODE trajectory and applies deterministic corrections to generated samples. Experiments on MNIST, CIFAR-10, and FFHQ at 256x256 resolution demonstrate consistent improvements in fidelity and coverage; notably, starting from base samples with FID 3.95, latent space refinement achieves a \textbf{state-of-the-art} FID of \textbf{1.46} on MNIST using only a single additional function evaluation (1-NFE), while maintaining sample diversity.
• Abstract（参考訳）: 拡散モデルやフローベースモデルを含む生成モデルは、特に高次元の設定において、サンプルの品質を低下させる体系的なバイアスを示すことが多い。 我々は改良手法を再検討し、サンプリングプロセスのノイズ注入やマルチステップ再サンプリングなしに、効果的なバイアス補正をポストホック法として実現できることを示す。 本稿では,フローマッチングをベースとしたBFRフレームワークを提案する。2つの改良戦略 – ほぼ可逆なジェネレータに対する潜在空間アライメントと,軽量拡張で訓練したデータ空間リファインメントである。 サンプリングダイナミクスを摂動する以前の精錬機とは異なり、BFRはオリジナルのODE軌道を保存し、生成されたサンプルに決定論的補正を適用する。 256x256解像度でのMNIST、CIFAR-10、FFHQの実験では、忠実度とカバレッジが一貫した改善が示され、特にFID 3.95のベースサンプルから、サンプルの多様性を維持しながら、MNIST上で1つの追加関数評価 (1-NFE) のみを使用して、潜在空間の洗練が \textbf{state-of-the-art} FIDを達成している。

関連論文リスト

• Diffusion Model-Based Posterior Sampling in Full Waveform Inversion [3.2800968305157205]
  観測記録の後方サンプリングは フィールドスケールでは めったに実用的ではない 提案手法は,拡散型後方サンプリングと同時音源波形インバージョンデータを組み合わせた手法である。 提案手法は, モデル誤差の低減と, 計算コストの大幅な削減を実現する。
  論文  参考訳（メタデータ） (2025-12-14T18:34:12Z)
• Enhancing Diffusion Model Guidance through Calibration and Regularization [9.22066257345387]
  本稿では,この問題に対処するための2つの補完的貢献を紹介する。 まず,Smooth expected Error(Smooth ECE)に基づく微分可能なキャリブレーション目標を提案する。 第2に,再訓練を必要とせず,市販の分類器で動作可能なサンプリング誘導手法を開発した。
  論文  参考訳（メタデータ） (2025-11-08T04:23:42Z)
• G$^2$RPO: Granular GRPO for Precise Reward in Flow Models [74.21206048155669]
  本稿では,サンプリング方向の高精度かつ包括的な報酬評価を実現する新しいグラニュラー-GRPO(G$2$RPO)フレームワークを提案する。 複数の拡散スケールで計算された利点を集約するマルチグラニュラリティ・アドバンテージ・インテグレーション・モジュールを導入する。 G$2$RPOは既存のフローベースGRPOベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2025-10-02T12:57:12Z)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• Noise Conditional Variational Score Distillation [60.38982038894823]
  騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。 この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
  論文  参考訳（メタデータ） (2025-06-11T06:01:39Z)
• Taming Flow Matching with Unbalanced Optimal Transport into Fast Pansharpening [10.23957420290553]
  本稿では,一段階の高品位パンシャーピングを実現するための最適輸送フローマッチングフレームワークを提案する。 OTFMフレームワークは、パンシャーピング制約の厳格な遵守を維持しつつ、シミュレーション不要なトレーニングとシングルステップ推論を可能にする。
  論文  参考訳（メタデータ） (2025-03-19T08:10:49Z)
• AdjointDPM: Adjoint Sensitivity Method for Gradient Backpropagation of Diffusion Probabilistic Models [103.41269503488546]
  既存のカスタマイズ方法は、事前訓練された拡散確率モデルをユーザが提供する概念に合わせるために、複数の参照例にアクセスする必要がある。 本論文は、DPMカスタマイズの課題として、生成コンテンツ上で定義された差別化可能な指標が唯一利用可能な監督基準である場合に解決することを目的とする。 本稿では,拡散モデルから新しいサンプルを初めて生成するAdjointDPMを提案する。 次に、随伴感度法を用いて、損失の勾配をモデルのパラメータにバックプロパゲートする。
  論文  参考訳（メタデータ） (2023-07-20T09:06:21Z)

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。