論文の概要: B-DENSE: Branching For Dense Ensemble Network Learning

• arxiv url: http://arxiv.org/abs/2602.15971v1
• Date: Tue, 17 Feb 2026 19:40:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.42056
• Title: B-DENSE: Branching For Dense Ensemble Network Learning
• Title（参考訳）: B-DENSE:Dense Ensemble Network Learningのためのブランチ
• Authors: Cherish Puniani, Tushar Kumar, Arnav Bendre, Gaurav Kumar, Shree Singhi,
• Abstract要約: マルチブランチ軌道アライメントを利用した新しいフレームワークであるB-DENSEを提案する。 B-DENSEは、トレーニングの初期段階からソリューション空間をナビゲートすることを学び、優れた画像生成品質を示す。
• 参考スコア（独自算出の注目度）: 2.972979055997652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inspired by non-equilibrium thermodynamics, diffusion models have achieved state-of-the-art performance in generative modeling. However, their iterative sampling nature results in high inference latency. While recent distillation techniques accelerate sampling, they discard intermediate trajectory steps. This sparse supervision leads to a loss of structural information and introduces significant discretization errors. To mitigate this, we propose B-DENSE, a novel framework that leverages multi-branch trajectory alignment. We modify the student architecture to output $K$-fold expanded channels, where each subset corresponds to a specific branch representing a discrete intermediate step in the teacher's trajectory. By training these branches to simultaneously map to the entire sequence of the teacher's target timesteps, we enforce dense intermediate trajectory alignment. Consequently, the student model learns to navigate the solution space from the earliest stages of training, demonstrating superior image generation quality compared to baseline distillation frameworks.
• Abstract（参考訳）: 非平衡熱力学にインスパイアされた拡散モデルは、生成モデリングにおいて最先端の性能を達成した。 しかし、反復サンプリングの性質は高い推論遅延をもたらす。 最近の蒸留技術はサンプリングを加速する一方、中間軌道ステップは捨てる。 この疎度な監視は、構造情報の喪失を招き、重大な離散化エラーを引き起こす。 そこで本研究では,多分岐軌道アライメントを利用した新しいフレームワークであるB-DENSEを提案する。 学生アーキテクチャを変更して$K$-fold拡張チャネルを出力し、各サブセットは教師の軌道の離散的な中間ステップを表す特定のブランチに対応する。 これらのブランチをトレーニングして、教師の目標時間ステップの全シーケンスに同時にマッピングすることで、密集した中間軌道アライメントを強制する。 その結果、学生モデルは、トレーニングの初期段階から解空間をナビゲートすることを学び、ベースライン蒸留フレームワークよりも優れた画像生成品質を示す。

関連論文リスト

• End-to-End Training for Autoregressive Video Diffusion via Self-Resampling [63.84672807009907]
  自己回帰ビデオ拡散モデルは、世界シミュレーションの可能性を保っているが、列車テストミスマッチに起因する露出バイアスに弱い。 教師なしのフレームワークであるResampling Forcingを導入し、スクラッチから大規模まで自動回帰ビデオモデルのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2025-12-17T18:53:29Z)
• Towards One-step Causal Video Generation via Adversarial Self-Distillation [71.30373662465648]
  最近のハイブリッドビデオ生成モデルは、自己回帰時間力学と拡散に基づく空間認知を組み合わせている。 我々のフレームワークは、複数の推論ステップ設定を柔軟にサポートする単一の蒸留モデルを生成する。
  論文  参考訳（メタデータ） (2025-11-03T10:12:47Z)
• Toward Theoretical Insights into Diffusion Trajectory Distillation via Operator Merging [10.315743300140966]
  拡散軌道蒸留は、高品質な出力を生成するがサンプリング速度の遅い拡散モデルのサンプリングを加速することを目的としている。 信号の忠実度を最大に保存する最適なマージ戦略を計算するためのプログラミングアルゴリズムを提案する。 本研究は, 拡散軌道蒸留の理論的理解を高め, 蒸留戦略改善のための実践的洞察を提供するものである。
  論文  参考訳（メタデータ） (2025-05-21T21:13:02Z)
• Efficient Diffusion as Low Light Enhancer [63.789138528062225]
  RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。 textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
  論文  参考訳（メタデータ） (2024-10-16T08:07:18Z)
• Distribution Backtracking Builds A Faster Convergence Trajectory for Diffusion Distillation [19.88187051373436]
  本研究では,拡散モデルのサンプリング速度を高速化する分散バックトラック蒸留(DisBack)を提案する。 DisBackは既存の蒸留法よりも高速で収束性が高く、ImageNet 64x64データセットのFIDスコアは1.38である。
  論文  参考訳（メタデータ） (2024-08-28T17:58:17Z)
• OCAI: Improving Optical Flow Estimation by Occlusion and Consistency Aware Interpolation [55.676358801492114]
  本稿では,中間映像フレームと光フローを同時に生成することで,フレームのあいまいさを頑健に支援するOCAIを提案する。 我々は,Sintel や KITTI などの既存のベンチマークにおいて,優れた品質と光フロー精度を実証した。
  論文  参考訳（メタデータ） (2024-03-26T20:23:48Z)
• Dynamic Sub-graph Distillation for Robust Semi-supervised Continual Learning [47.64252639582435]
  半教師付き連続学習(SSCL)に焦点をあて、そのモデルが未知のカテゴリを持つ部分ラベル付きデータから徐々に学習する。 半教師付き連続学習のための動的サブグラフ蒸留法(DSGD)を提案する。
  論文  参考訳（メタデータ） (2023-12-27T04:40:12Z)
• BOOT: Data-free Distillation of Denoising Diffusion Models with Bootstrapping [64.54271680071373]
  拡散モデルは多様な画像を生成する優れた可能性を示している。 知識蒸留は、推論ステップの数を1つか数に減らすための治療法として最近提案されている。 本稿では,効率的なデータフリー蒸留アルゴリズムにより限界を克服するBOOTと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-08T20:30:55Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)

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。