論文の概要: Variational Flow Maps: Make Some Noise for One-Step Conditional Generation

• arxiv url: http://arxiv.org/abs/2603.07276v1
• Date: Sat, 07 Mar 2026 16:32:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:14.201266
• Title: Variational Flow Maps: Make Some Noise for One-Step Conditional Generation
• Title（参考訳）: 変分フローマップ:一段階条件生成のためのいくつかのノイズを発生させる
• Authors: Abbas Mammadov, So Takao, Bohan Chen, Ricardo Baptista, Morteza Mardani, Yee Whye Teh, Julius Berner,
• Abstract要約: 変分フローマップ(VFM)は条件付きサンプリングのためのフレームワークである。 VFMは、単一の(または少数の)ステップでよく校正された条件付きサンプルを生成する。 ImageNetでは、VFMは桁違いにサンプリングを加速しながら、競争力を得る。
• 参考スコア（独自算出の注目度）: 42.163444304261766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow maps enable high-quality image generation in a single forward pass. However, unlike iterative diffusion models, their lack of an explicit sampling trajectory impedes incorporating external constraints for conditional generation and solving inverse problems. We put forth Variational Flow Maps, a framework for conditional sampling that shifts the perspective of conditioning from "guiding a sampling path", to that of "learning the proper initial noise". Specifically, given an observation, we seek to learn a noise adapter model that outputs a noise distribution, so that after mapping to the data space via flow map, the samples respect the observation and data prior. To this end, we develop a principled variational objective that jointly trains the noise adapter and the flow map, improving noise-data alignment, such that sampling from complex data posterior is achieved with a simple adapter. Experiments on various inverse problems show that VFMs produce well-calibrated conditional samples in a single (or few) steps. For ImageNet, VFM attains competitive fidelity while accelerating the sampling by orders of magnitude compared to alternative iterative diffusion/flow models. Code is available at https://github.com/abbasmammadov/VFM
• Abstract（参考訳）: フローマップは、1つのフォワードパスで高品質の画像生成を可能にする。 しかし、反復拡散モデルとは異なり、明示的なサンプリング軌道の欠如は、条件付き生成のための外部制約を取り入れ、逆問題を解決することを妨げている。 本研究では,条件付けの視点を「サンプリング経路の案内」から「適切な初期雑音の学習」へとシフトさせる条件付きサンプリングのためのフレームワークである変分フローマップを提案する。 具体的には,音分布を出力するノイズアダプタモデルを学習し,フローマップを用いてデータ空間にマッピングした後,サンプルは先行する観測とデータを尊重する。 この目的のために,ノイズアダプタとフローマップを共同で訓練し,複雑なデータ後部からのサンプリングを簡易なアダプタで行うという,ノイズデータアライメントを改善する,基本的変動目的の開発を行った。 様々な逆問題に対する実験により、VFMは単一の(または少数の)ステップでよく校正された条件付きサンプルを生成することが示された。 ImageNetの場合、VFMは、代替の反復拡散/フローモデルと比較して、サンプリングを桁違いに高速化しながら、競争力を得る。 コードはhttps://github.com/abbasmammadov/VFMで入手できる。

関連論文リスト

• The Principles of Diffusion Models [81.12042238390075]
  拡散モデリングは、データを徐々にノイズに分解するフォワードプロセスを定義することから始まる。 目標は、ノイズをデータに変換しながら、同じ中間体を回復するリバースプロセスを学ぶことだ。 エネルギーベースモデリングに根ざしたスコアベースビューは、進化するデータ分布の勾配を学習する。 フローベースのビューは、フローの正規化に関連するもので、サンプルをノイズからデータに移すスムーズなパスに従って生成する。
  論文  参考訳（メタデータ） (2025-10-24T02:29:02Z)
• Distributional Diffusion Models with Scoring Rules [83.38210785728994]
  拡散モデルは高品質な合成データを生成する。 高品質な出力を生成するには、多くの離散化ステップが必要です。 クリーンデータサンプルの後部エム分布を学習し,サンプル生成を実現することを提案する。
  論文  参考訳（メタデータ） (2025-02-04T16:59:03Z)
• There and Back Again: On the relation between Noise and Image Inversions in Diffusion Models [3.8384683391475556]
  拡散モデルは新しいサンプルを生成するが、データを編集可能な機能にエンコードする低次元の潜在空間がない。 インバージョンベースの手法は、デノベーション軌道を逆転させ、画像を近似したスタートノイズに転送することでこの問題に対処する。 その結果,潜伏剤はスムーズな画像領域で予測される低ノイズの形で構造パターンを示すことがわかった。
  論文  参考訳（メタデータ） (2024-10-31T00:30:35Z)
• Fast Samplers for Inverse Problems in Iterative Refinement Models [19.099632445326826]
  逆問題に対する効率的なサンプル作成のためのプラグイン・アンド・プレイフレームワークを提案する。 提案手法は,5段階の条件付きサンプリングステップで高品質なサンプルを生成でき,20～1000段の基準ラインよりも優れる。
  論文  参考訳（メタデータ） (2024-05-27T21:50:16Z)
• Diffusion Model Based Posterior Sampling for Noisy Linear Inverse Problems [14.809545109705256]
  本稿では、簡単な閉形式近似を確率スコアに提案することにより、高速で効果的な解を提案する。 拡散モデルとフローベースモデルの両方において、様々な雑音線形逆問題に対して広範な実験を行う。 提案手法は,全ての基本手法よりもはるかに高速でありながら,高い競争力あるいはより優れた復元性能を示す。
  論文  参考訳（メタデータ） (2022-11-20T01:09:49Z)
• Diffusion Posterior Sampling for General Noisy Inverse Problems [50.873313752797124]
  我々は、後方サンプリングの近似により、雑音(非線形)逆問題に対処するために拡散解法を拡張した。 本手法は,拡散モデルが様々な計測ノイズ統計を組み込むことができることを示す。
  論文  参考訳（メタデータ） (2022-09-29T11:12:27Z)

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。