論文の概要: One step further with Monte-Carlo sampler to guide diffusion better

• arxiv url: http://arxiv.org/abs/2603.06685v1
• Date: Wed, 04 Mar 2026 05:48:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:12.79566
• Title: One step further with Monte-Carlo sampler to guide diffusion better
• Title（参考訳）: 拡散促進のためのモンテカルロサンプリング装置のさらなる進歩
• Authors: Minsi Ren, Wenhao Deng, Ruiqi Feng, Tailin Wu,
• Abstract要約: そこで本研究では,より優れた回折イオンを得るために,後進デノイズ・イングステップとモンテカルロサンプリング(ABMS)を提案する。 我々は様々なタスク設定やデータタイプ、主に入力条件付きオンライン手書き軌跡生成に関する実験を行う。 実験により,本手法は高次サンプリング器で選択的に有効であることが示された。
• 参考スコア（独自算出の注目度）: 11.58337125468802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stochastic differential equation (SDE)-based generative models have achieved substantial progress in conditional generation via training-free differentiable loss-guided approaches. However, existing methodologies utilizing posterior sam- pling typically confront a substantial estimation error, which results in inaccu- rate gradients for guidance and leading to inconsistent generation results. To mitigate this issue, we propose that performing an additional backward denois- ing step and Monte-Carlo sampling (ABMS) can achieve better guided diffu- sion, which is a plug-and-play adjustment strategy. To verify the effectiveness of our method, we provide theoretical analysis and propose the adoption of a dual-focus evaluation framework, which further serves to highlight the critical problem of cross-condition interference prevalent in existing approaches. We conduct experiments across various task settings and data types, mainly includ- ing conditional online handwritten trajectory generation, image inverse problems (inpainting, super resolution and gaussian deblurring) molecular inverse design and so on. Experimental results demonstrate that our approach can be effec- tively used with higher order samplers and consistently improves the quality of generation samples across all the different scenarios.
• Abstract（参考訳）: 確率微分方程式(SDE)に基づく生成モデルは、訓練不要な微分可微分損失誘導手法により条件付き生成においてかなりの進歩を遂げた。 しかし, 従来の手法では, 推定誤差がかなり大きいため, 誘導の精度が低下し, 生成結果が矛盾する。 この問題を軽減するため, プラグ・アンド・プレイ調整戦略であるディフュージョンを改良し, 後進デノイス・イング・ステップとモンテカルロ・サンプリング(ABMS)を行うことを提案する。 提案手法の有効性を検証するため,提案手法を理論的に検証し,既存手法に広く普及しているクロスコンディショニングの重大な問題を明らかにするために,デュアルフォーカス評価フレームワークの導入を提案する。 各種タスク設定やデータタイプ,主に入力条件付きオンライン手書き軌道生成,画像逆問題(塗装,超分解能,ガウス劣化)分子逆設計などについて実験を行った。 実験結果から,本手法は高次サンプリング器で厳密に使用でき,各シナリオにまたがる生成サンプルの品質が一貫的に向上することが示唆された。

関連論文リスト

• 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)
• DiffIER: Optimizing Diffusion Models with Iterative Error Reduction [5.8001410709048695]
  高品質な生成のための最適化手法であるDiffIERを提案する。 本稿では,各ステップにおける反復誤差最小化により,累積誤差を効果的に低減できることを実証する。 この方法は、テキスト・ツー・イメージ生成、画像超解像、テキスト・ツー・音声生成において一貫した成功を達成する。
  論文  参考訳（メタデータ） (2025-08-19T08:41:49Z)
• Improving Decoupled Posterior Sampling for Inverse Problems using Data Consistency Constraint [13.285652967956652]
  本稿では,逆問題に対するGDPS ( Guided Decoupled Posterior Smpling) を提案する。 我々はこの手法を潜在拡散モデルとツイーディの公式に拡張する。 GDPSは最先端のパフォーマンスを実現し、既存の手法よりも精度を向上させる。
  論文  参考訳（メタデータ） (2024-12-01T03:57:21Z)
• Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
  Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。 本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。 既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
  論文  参考訳（メタデータ） (2024-07-25T09:53:12Z)
• 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。