論文の概要: Adaptive Moments are Surprisingly Effective for Plug-and-Play Diffusion Sampling

• arxiv url: http://arxiv.org/abs/2603.16797v1
• Date: Tue, 17 Mar 2026 17:04:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.44075
• Title: Adaptive Moments are Surprisingly Effective for Plug-and-Play Diffusion Sampling
• Title（参考訳）: アダプティブモーメントはプラグアンドプレイ拡散サンプリングに驚くほど有効である
• Authors: Christian Belardi, Justin Lovelace, Kilian Q. Weinberger, Carla P. Gomes,
• Abstract要約: 適応モーメント推定法を用いてサンプリング中の雑音の確率スコアを安定化する。 提案手法は,画像復元とクラス条件生成タスクにおける最先端の成果を実現する。
• 参考スコア（独自算出の注目度）: 38.68902026676995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Guided diffusion sampling relies on approximating often intractable likelihood scores, which introduces significant noise into the sampling dynamics. We propose using adaptive moment estimation to stabilize these noisy likelihood scores during sampling. Despite its simplicity, our approach achieves state-of-the-art results on image restoration and class-conditional generation tasks, outperforming more complicated methods, which are often computationally more expensive. We provide empirical analysis of our method on both synthetic and real data, demonstrating that mitigating gradient noise through adaptive moments offers an effective way to improve alignment.
• Abstract（参考訳）: 誘導拡散サンプリングは、しばしば難易度スコアの近似に依存し、サンプリングダイナミックスに大きなノイズをもたらす。 適応モーメント推定を用いて,サンプリング中の雑音の確率スコアを安定化する。 その単純さにもかかわらず、我々の手法は画像復元やクラス条件生成タスクにおける最先端の成果を達成し、より複雑な手法を上回り、計算コストが高くなることが多い。 本研究では,適応モーメントによる勾配雑音の緩和がアライメント改善に有効な方法であることを示す。

関連論文リスト

• Learning To Sample From Diffusion Models Via Inverse Reinforcement Learning [43.678382510171986]
  拡散モデルは、ニューラルネットワークによってガイドされる反復的復調プロセスを通じてサンプルを生成する。 本稿では,サンプリング戦略の学習のための逆強化学習フレームワークを提案する。 提案手法は,事前学習した拡散モデルにより生成された試料の品質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2026-02-09T14:10:44Z)
• Noise Conditional Variational Score Distillation [60.38982038894823]
  騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。 この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
  論文  参考訳（メタデータ） (2025-06-11T06:01:39Z)
• Quantizing Diffusion Models from a Sampling-Aware Perspective [43.95032520555463]
  本稿では,混合次軌道アライメント手法を考案したサンプリング対応量子化手法を提案する。 複数のデータセットにまたがるスパースステップ高速サンプリング実験により,本手法は高速サンプリング器の高速収束特性を保っていることが示された。
  論文  参考訳（メタデータ） (2025-05-04T20:50:44Z)
• Divide and Conquer: Heterogeneous Noise Integration for Diffusion-based Adversarial Purification [75.09791002021947]
  既存の浄化法は,前向き拡散過程を通じて一定のノイズを発生させ,その後に逆の処理を行い,クリーンな例を回復させることによって,対向的摂動を妨害することを目的としている。 この方法は、前処理の均一な操作が、対向的摂動と闘いながら通常のピクセルを損なうため、根本的な欠陥がある。 ニューラルネットワークの解釈可能性に基づく異種浄化戦略を提案する。 本手法は,被写体モデルが注目する特定の画素に対して高強度雑音を決定的に印加する一方,残りの画素は低強度雑音のみを被写体とする。
  論文  参考訳（メタデータ） (2025-03-03T11:00:25Z)
• Variational Randomized Smoothing for Sample-Wise Adversarial Robustness [12.455543308060196]
  本稿では,ノイズレベルセレクタを導入し,各入力に適したサンプルごとのノイズレベルを用いた新しい変分フレームワークを提案する。 実験の結果,敵攻撃に対する経験的堅牢性の向上が示された。
  論文  参考訳（メタデータ） (2024-07-16T15:25:13Z)
• Score-based Generative Models with Adaptive Momentum [40.84399531998246]
  変換過程を高速化する適応運動量サンプリング法を提案する。 提案手法は,2倍から5倍の速度で,より忠実な画像/グラフを小さなサンプリングステップで作成できることを示す。
  論文  参考訳（メタデータ） (2024-05-22T15:20:27Z)
• Boosting Fast and High-Quality Speech Synthesis with Linear Diffusion [85.54515118077825]
  本稿では, 常微分方程式に基づく線形拡散モデル(LinDiff)を提案する。 計算複雑性を低減するため、LinDiffでは、入力信号を小さなパッチに分割するパッチベースの処理アプローチを採用している。 我々のモデルは、より高速な合成速度で自己回帰モデルに匹敵する品質の音声を合成することができる。
  論文  参考訳（メタデータ） (2023-06-09T07:02:43Z)
• Advancing underwater acoustic target recognition via adaptive data pruning and smoothness-inducing regularization [27.039672355700198]
  本稿では,クロスエントロピーに基づくトレーニングデータにおいて,過度に類似したセグメントを創り出す戦略を提案する。 我々はノイズの多いサンプルを生成し、KLの発散に基づくスムーズネス誘導正則化を適用し、オーバーフィッティングを緩和する。
  論文  参考訳（メタデータ） (2023-04-24T08:30:41Z)

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。