論文の概要: RBF-Solver: A Multistep Sampler for Diffusion Probabilistic Models via Radial Basis Functions

• arxiv url: http://arxiv.org/abs/2603.13330v1
• Date: Thu, 05 Mar 2026 06:19:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.311532
• Title: RBF-Solver: A Multistep Sampler for Diffusion Probabilistic Models via Radial Basis Functions
• Title（参考訳）: RBFソルバー:放射基底関数による拡散確率モデルのための多段階サンプリング器
• Authors: Soochul Park, Yeon Ju Lee, SeongJin Yoon, Jiyub Shin, Juhee Lee, Seongwoon Jo,
• Abstract要約: ポリノミアルベースの多段階サンプリング器は、予め定義されたスキームに従ってサンプリング軌道を加速することにより、このコストを緩和する。 モデル評価を放射基底関数(RBF)で補間する多段階拡散サンプリング器RBF-rを提案する。 RBFの学習可能な形状パラメータを活用することにより、RBF-rは最適なサンプリング軌道を明示的に追従する。
• 参考スコア（独自算出の注目度）: 1.7498738677484031
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion probabilistic models (DPMs) are widely adopted for their outstanding generative fidelity, yet their sampling is computationally demanding. Polynomial-based multistep samplers mitigate this cost by accelerating inference; however, despite their theoretical accuracy guarantees, they generate the sampling trajectory according to a predefined scheme, providing no flexibility for further optimization. To address this limitation, we propose RBF-Solver, a multistep diffusion sampler that interpolates model evaluations with Gaussian radial basis functions (RBFs). By leveraging learnable shape parameters in Gaussian RBFs, RBF-Solver explicitly follows optimal sampling trajectories. At first order, it reduces to the Euler method (DDIM). At second order or higher, as the shape parameters approach infinity, RBF-Solver converges to the Adams method, ensuring its compatibility with existing samplers. Owing to the locality of Gaussian RBFs, RBF-Solver maintains high image fidelity even at fourth order or higher, where previous samplers deteriorate. For unconditional generation, RBF-Solver consistently outperforms polynomial-based samplers in the high-NFE regime (NFE >= 15). On CIFAR-10 with the Score-SDE model, it achieves an FID of 2.87 with 15 function evaluations and further improves to 2.48 with 40 function evaluations. For conditional ImageNet 256 x 256 generation with the Guided Diffusion model at a guidance scale 8.0, substantial gains are achieved in the low-NFE range (5-10), yielding a 16.12-33.73% reduction in FID relative to polynomial-based samplers.
• Abstract（参考訳）: 拡散確率モデル(DPM)は、その卓越した生成忠実度に広く採用されているが、そのサンプリングは計算的に要求されている。 多項式ベースの多段階サンプリング器は推論を加速することでこのコストを緩和するが、理論的な精度が保証されているにもかかわらず、事前に定義されたスキームに従ってサンプリング軌道を生成するため、さらなる最適化の柔軟性は得られない。 この制限に対処するために,ガウス半径基底関数 (RBF) を用いたモデル評価を補間する多段階拡散サンプリング器 RBF-Solver を提案する。 ガウス系RBFの学習可能な形状パラメータを活用することにより、RBF-ソルバーは最適なサンプリング軌道を明示的に追従する。 一階目では、Euler法(DDIM)に還元される。 2階以上では、形状パラメータが無限大に近づくにつれて、RBF-ソルバーはアダムズ法に収束し、既存のサンプリング器との整合性を確保する。 ガウス系RBFの局所性のため、RBF-Solverは4次以上でも高画質の忠実度を維持しており、前回の試料は劣化している。 非条件生成では、RBF-Solverは高NFE状態(NFE >= 15)において多項式ベースのサンプリング器よりも一貫して優れる。 CIFAR-10のスコア-SDEモデルでは、FIDが2.87で、15の関数が評価され、さらに2.48に改善され、40の関数が評価される。 誘導スケール8.0の誘導拡散モデルによる条件付き画像Net 256 x 256 生成では、低NFE範囲(5-10)でかなりの利得が得られ、多項式ベースのサンプルラーと比較して FID が 16.12-33.73% 減少する。

関連論文リスト

• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Joint Distillation for Fast Likelihood Evaluation and Sampling in Flow-based Models [100.28111930893188]
  今日の最高の生成モデルの中には、単一の可能性を計算するために、数百から数千の神経機能評価を必要とするものもあります。 本研究では, 高速流動継手蒸留法 (F2D2) を提案し, サンプリングに必要なNFEの数を2桁に減らした。 F2D2はモジュール構造であり、既存のフローベースの数ステップサンプリングモデルと互換性がある。
  論文  参考訳（メタデータ） (2025-12-02T10:48:20Z)
• DiffusionNFT: Online Diffusion Reinforcement with Forward Process [99.94852379720153]
  Diffusion Negative-aware FineTuning (DiffusionNFT) は、フローマッチングを通じて前方プロセス上で直接拡散モデルを最適化する新しいオンラインRLパラダイムである。 DiffusionNFTは、CFGフリーのFlowGRPOよりも25倍効率が高い。
  論文  参考訳（メタデータ） (2025-09-19T16:09:33Z)
• Guided Diffusion Sampling on Function Spaces with Applications to PDEs [112.09025802445329]
  PDEに基づく逆問題における条件付きサンプリングのための一般的なフレームワークを提案する。 これは、関数空間拡散モデルと条件付けのためのプラグアンドプレイガイダンスによって達成される。 提案手法は,最先端の固定解像度拡散ベースラインに対して平均32%の精度向上を実現する。
  論文  参考訳（メタデータ） (2025-05-22T17:58:12Z)
• Minimax Optimality of the Probability Flow ODE for Diffusion Models [8.15094483029656]
  この研究は、決定論的ODEベースのサンプリングのための最初のエンドツーエンド理論フレームワークを開発する。 L2$のスコア誤差と関連する平均ジャコビアン誤差の両方を同時に制御するスムーズな正規化スコア推定器を提案する。 得られたサンプルは全変動距離, 変調対数係数において最小値が得られることを示す。
  論文  参考訳（メタデータ） (2025-03-12T17:51:29Z)
• DC-Solver: Improving Predictor-Corrector Diffusion Sampler via Dynamic Compensation [68.55191764622525]
  拡散モデル(DPM)は、視覚合成において顕著な性能を示すが、サンプリング中に複数の評価を必要とするため、計算コストが高い。 最近の予測器合成・拡散サンプリング装置は,要求される評価回数を大幅に削減したが,本質的には誤調整の問題に悩まされている。 我々はDC-CPRrと呼ばれる新しい高速DPMサンプリング装置を導入する。
  論文  参考訳（メタデータ） (2024-09-05T17:59:46Z)
• Fast ODE-based Sampling for Diffusion Models in Around 5 Steps [17.500594480727617]
  本稿では, 高速サンプリングのための平均方向を直接学習することにより, トランケーション誤差を解消する近似平均方向解法(AMED-r)を提案する。 本手法は,既存の ODE ベースのサンプルを改良するためのプラグインとして容易に利用できる。
  論文  参考訳（メタデータ） (2023-11-30T13:07:19Z)
• ERA-Solver: Error-Robust Adams Solver for Fast Sampling of Diffusion Probabilistic Models [19.144212827158032]
  本稿では,拡散ODEの高速サンプリングのための誤差ローバストなAdams解法を提案する。 提案した解法は,任意の事前訓練された拡散モデルに直接適用することができる。 提案手法は,画像生成のためのFID(Frechet Inception Distance)を3.54,5.06,5.02,5.11とし,ネットワーク評価を行った。
  論文  参考訳（メタデータ） (2023-01-30T14:32:47Z)

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。