論文の概要: Fast Sampling for Flows and Diffusions with Lazy and Point Mass Stochastic Interpolants
- arxiv url: http://arxiv.org/abs/2602.03789v1
- Date: Tue, 03 Feb 2026 17:48:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-04 18:37:15.618041
- Title: Fast Sampling for Flows and Diffusions with Lazy and Point Mass Stochastic Interpolants
- Title（参考訳）: 遅延・点質量確率補間剤を用いた流れ・拡散の高速サンプリング
- Authors: Gabriel Damsholt, Jes Frellsen, Susanne Ditlevsen,
- Abstract要約: 任意のスケジュール下で任意の拡散係数で微分方程式(SDE)のサンプルパスを変換する方法を証明する。
次に、補間フレームワークを拡張して、より大きな点質量スケジュールのクラスを許容する。
- 参考スコア（独自算出の注目度）: 5.492889521988414
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stochastic interpolants unify flows and diffusions, popular generative modeling frameworks. A primary hyperparameter in these methods is the interpolation schedule that determines how to bridge a standard Gaussian base measure to an arbitrary target measure. We prove how to convert a sample path of a stochastic differential equation (SDE) with arbitrary diffusion coefficient under any schedule into the unique sample path under another arbitrary schedule and diffusion coefficient. We then extend the stochastic interpolant framework to admit a larger class of point mass schedules in which the Gaussian base measure collapses to a point mass measure. Under the assumption of Gaussian data, we identify lazy schedule families that make the drift identically zero and show that with deterministic sampling one gets a variance-preserving schedule commonly used in diffusion models, whereas with statistically optimal SDE sampling one gets our point mass schedule. Finally, to demonstrate the usefulness of our theoretical results on realistic highly non-Gaussian data, we apply our lazy schedule conversion to a state-of-the-art pretrained flow model and show that this allows for generating images in fewer steps without retraining the model.
- Abstract（参考訳）: 確率的補間はフローと拡散を統一し、一般的な生成モデリングフレームワークである。
これらの手法の主要なハイパーパラメータは、標準ガウス測度を任意の目標測度にブリッジする方法を決定する補間スケジュールである。
確率微分方程式(SDE)のサンプルパスを任意のスケジュール下で任意の拡散係数で、任意のスケジュールと拡散係数で一意なサンプルパスに変換する方法を証明する。
次に、確率補間フレームワークを拡張して、ガウス基底測度が崩壊して点質量測度となるようなより大きな点質量スケジュールのクラスを認める。
ガウスデータの仮定により、ドリフトをゼロにする遅延スケジュールファミリを特定し、決定論的サンプリングでは拡散モデルでよく用いられる分散保存スケジュールが得られ、統計学的に最適なSDEサンプリングでは、ポイント質量スケジュールが得られることを示す。
最後に、現実的かつ非ガウス的なデータに対する理論的結果の有用性を示すために、遅延スケジュール変換を最先端の事前学習フローモデルに適用し、モデルを再学習することなく少ないステップで画像を生成することができることを示す。
関連論文リスト
- An Elementary Approach to Scheduling in Generative Diffusion Models [55.171367482496755]
生成拡散モデルにおけるノイズスケジューリングと時間離散化の影響を特徴付けるための基礎的手法を開発した。
異なるデータセットと事前訓練されたモデルにわたる実験により、我々のアプローチによって選択された時間離散化戦略が、ベースラインとサーチベースの戦略を一貫して上回ることを示した。
論文 参考訳（メタデータ） (2026-01-20T05:06:26Z) - Lipschitz-Guided Design of Interpolation Schedules in Generative Models [21.63464119819874]
本研究では,フローおよび拡散に基づく生成モデルのための補間フレームワークにおけるスケジュール設計について検討する。
本研究では,全てのスカラースケジュールが同一の統計効率を達成する一方で,その数値効率が著しく異なることを示す。
この観測は、スケジュール設計の統計的基準よりも、結果として生じるドリフト場の数値的性質に焦点をあてる。
論文 参考訳（メタデータ） (2025-09-01T17:16:34Z) - Generative Latent Neural PDE Solver using Flow Matching [8.397730500554047]
低次元の潜伏空間にPDE状態を埋め込んだPDEシミュレーションのための潜伏拡散モデルを提案する。
我々のフレームワークは、オートエンコーダを使用して、異なるタイプのメッシュを統一された構造化潜在グリッドにマッピングし、複雑なジオメトリをキャプチャします。
数値実験により,提案モデルは,精度と長期安定性の両方において,決定論的ベースラインよりも優れていた。
論文 参考訳（メタデータ） (2025-03-28T16:44:28Z) - Sampling in High-Dimensions using Stochastic Interpolants and Forward-Backward Stochastic Differential Equations [8.509310102094512]
本稿では,高次元確率分布からサンプルを抽出する拡散型アルゴリズムのクラスを提案する。
我々の手法は、確率密度の時間インデクシングされたコレクションを定義するための補間フレームワークに依存している。
提案アルゴリズムは,従来の手法では処理が困難であった分布から,効果的にサンプルを抽出できることを実証する。
論文 参考訳（メタデータ） (2025-02-01T07:27:11Z) - Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。
本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。
我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
論文 参考訳（メタデータ） (2024-10-03T09:07:13Z) - Stochastic Sampling from Deterministic Flow Models [8.849981177332594]
そこで本論文では,フローモデルを同じ境界分布を持つ微分方程式の族(SDE)に変換する手法を提案する。
我々は,おもちゃのガウスセットアップと大規模イメージネット生成タスクにおいて,提案手法の利点を実証的に実証した。
論文 参考訳（メタデータ） (2024-10-03T05:18:28Z) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。
本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文 参考訳（メタデータ） (2023-06-27T08:15:28Z) - A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳（メタデータ） (2023-05-31T15:33:16Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳（メタデータ） (2022-11-30T05:33:29Z)
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。