論文の概要: Spectral Evolution Search: Efficient Inference-Time Scaling for Reward-Aligned Image Generation

• arxiv url: http://arxiv.org/abs/2602.03208v1
• Date: Tue, 03 Feb 2026 07:19:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.307994
• Title: Spectral Evolution Search: Efficient Inference-Time Scaling for Reward-Aligned Image Generation
• Title（参考訳）: スペクトル進化探索:逆補正画像生成のための効率的な推論時間スケーリング
• Authors: Jinyan Ye, Zhongjie Duan, Zhiwen Li, Cen Chen, Daoyuan Chen, Yaliang Li, Yingda Chen,
• Abstract要約: 推論時間スケーリングは、パラメータ更新なしで、ビジュアル生成モデルを下流の目的と整列するための多用途パラダイムを提供する。 本稿では,高次元初期雑音を最適化する既存の手法は,探索方向が最終世代に無視できない影響を及ぼすため,非効率性に悩まされていることを示す。 低周波部分空間内で勾配のない進化探索を行うための初期雑音最適化のためのプラグアンドプレイフレームワークであるスペクトル進化探索(SES)を提案する。
• 参考スコア（独自算出の注目度）: 45.717539734334906
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inference-time scaling offers a versatile paradigm for aligning visual generative models with downstream objectives without parameter updates. However, existing approaches that optimize the high-dimensional initial noise suffer from severe inefficiency, as many search directions exert negligible influence on the final generation. We show that this inefficiency is closely related to a spectral bias in generative dynamics: model sensitivity to initial perturbations diminishes rapidly as frequency increases. Building on this insight, we propose Spectral Evolution Search (SES), a plug-and-play framework for initial noise optimization that executes gradient-free evolutionary search within a low-frequency subspace. Theoretically, we derive the Spectral Scaling Prediction from perturbation propagation dynamics, which explains the systematic differences in the impact of perturbations across frequencies. Extensive experiments demonstrate that SES significantly advances the Pareto frontier of generation quality versus computational cost, consistently outperforming strong baselines under equivalent budgets.
• Abstract（参考訳）: 推論時間スケーリングは、パラメータ更新なしで、ビジュアル生成モデルを下流の目的と整列するための多用途パラダイムを提供する。 しかし、多くの探索方向が最終世代に無視できない影響を与えるため、高次元初期雑音を最適化する既存のアプローチは、非常に非効率である。 この非効率性は、生成力学におけるスペクトルバイアスと密接に関連していることを示し、初期摂動に対するモデル感度は周波数の増加とともに急速に低下する。 この知見に基づいて、低周波部分空間内で勾配のない進化探索を実行する初期雑音最適化のためのプラグアンドプレイフレームワークであるスペクトル進化探索(SES)を提案する。 理論的には、摂動伝播力学からスペクトルスケーリング予測を導出し、周波数間の摂動の影響の系統的差異を説明する。 大規模な実験により、SESは生成品質と計算コストのParetoフロンティアを著しく向上させ、同等の予算の下で一貫して強力なベースラインを上回ります。

関連論文リスト

• Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
  ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。 NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
  論文  参考訳（メタデータ） (2025-10-14T13:31:34Z)
• Turb-L1: Achieving Long-term Turbulence Tracing By Tackling Spectral Bias [43.0262112921538]
  本稿では,革新的な乱流予測法であるTurb-L1を提案する。 クロススケールな相互作用を正確に捉え、高周波力学の忠実さを保っている。 長期的な予測では、平均正方形誤差(MSE)を80.3%、構造類似度(SSIM)をSOTAベースラインと比較して9ドル以上値下げする。
  論文  参考訳（メタデータ） (2025-05-25T08:38:55Z)
• HADL Framework for Noise Resilient Long-Term Time Series Forecasting [0.7810572107832383]
  長期の時系列予測は、金融、経済、エネルギーといった分野において重要である。 拡張されたルックバックウィンドウにおける時間ノイズの影響は未調査であり、しばしばモデル性能と計算効率を劣化させる。 本稿では、離散ウェーブレット変換(DWT)と離散コサイン変換(DCT)を統合することで、これらの課題に対処する新しいフレームワークを提案する。 提案手法は,ノイズの多い入力に対する競合堅牢性を示し,計算複雑性を著しく低減し,多様なベンチマークデータセット間での競合性ないし最先端の予測性能を実現する。
  論文  参考訳（メタデータ） (2025-02-14T21:41:42Z)
• Unveiling the Power of Noise Priors: Enhancing Diffusion Models for Mobile Traffic Prediction [8.208273046006697]
  我々は,ノイズを先行成分と残留成分に分解するフレームワークであるNPDiffを提案する。 NPDiffは、様々な拡散に基づく予測モデルとシームレスに統合することができ、効率的、効率的、堅牢な予測を提供する。
  論文  参考訳（メタデータ） (2025-01-23T16:13:08Z)
• Improved Noise Schedule for Diffusion Training [51.849746576387375]
  本稿では,拡散モデルのトレーニングを強化するため,ノイズスケジュールを設計するための新しい手法を提案する。 我々は,標準のコサインスケジュールよりもノイズスケジュールの方が優れていることを実証的に示す。
  論文  参考訳（メタデータ） (2024-07-03T17:34:55Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)

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。