論文の概要: Few-Step Diffusion Sampling Through Instance-Aware Discretizations
- arxiv url: http://arxiv.org/abs/2603.17671v1
- Date: Wed, 18 Mar 2026 12:49:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-19 18:32:57.695448
- Title: Few-Step Diffusion Sampling Through Instance-Aware Discretizations
- Title（参考訳）: インスタンス認識離散化によるFew-Step拡散サンプリング
- Abstract要約: 正規あるいは微分方程式(ODEs/SDEs)で定義される経路をシミュレートして拡散・流れマッチングモデルにより高忠実度データを生成する
本稿では、入力依存の事前情報に基づいてタイムステップアロケーションを適応させることを学習する、インスタンス対応の離散化フレームワークを提案する。
提案手法は,トレーニングや無視可能な推論オーバーヘッドと比較して,限界チューニングコストで生成品質を継続的に向上する。
- 参考スコア（独自算出の注目度）: 16.93105640007355
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion and flow matching models generate high-fidelity data by simulating paths defined by Ordinary or Stochastic Differential Equations (ODEs/SDEs), starting from a tractable prior distribution. The probability flow ODE formulation enables the use of advanced numerical solvers to accelerate sampling. Orthogonal yet vital to solver design is the discretization strategy. While early approaches employed handcrafted heuristics and recent methods adopt optimization-based techniques, most existing strategies enforce a globally shared timestep schedule across all samples. This uniform treatment fails to account for instance-specific complexity in the generative process, potentially limiting performance. Motivated by controlled experiments on synthetic data, which reveals the suboptimality of global schedules under instance-specific dynamics, we propose an instance-aware discretization framework. Our method learns to adapt timestep allocations based on input-dependent priors, extending gradient-based discretization search to the conditional generative setting. Empirical results across diverse settings, including synthetic data, pixel-space diffusion, latent-space images and video flow matching models, demonstrate that our method consistently improves generation quality with marginal tuning cost compared to training and negligible inference overhead.
- Abstract（参考訳）: 拡散と流れのマッチングモデルは、通常あるいは確率微分方程式(ODE/SDE)によって定義される経路をシミュレートすることで、抽出可能な事前分布から始まる高忠実性データを生成する。
確率フローODEの定式化により、高度な数値解法を用いてサンプリングを高速化することができる。
直交的でありながら問題解決に不可欠であるのは、離散化戦略である。
初期のアプローチでは手作りのヒューリスティックスを採用し、最近の手法では最適化に基づく手法を採用しているが、既存の戦略のほとんどは、全サンプルにわたってグローバルに共有されたタイムステップスケジュールを強制している。
この一様処理は、生成過程におけるインスタンス固有の複雑さを考慮せず、性能を制限している可能性がある。
インスタンス固有の動的条件下でのグローバルスケジュールの最適度を明らかにする合成データに対する制御実験により、インスタンス認識の離散化フレームワークを提案する。
提案手法では,入力依存の先行値に基づいて時間ステップの割り当てを学習し,勾配に基づく離散化探索を条件付き生成環境に拡張する。
合成データ,画素空間拡散,潜時空間画像,ビデオフローマッチングモデルなど多種多様な環境における実験結果から,本手法はトレーニングや無視できない推論オーバーヘッドと比較して,限界チューニングコストによる生成品質を一貫して向上することを示した。
関連論文リスト
- Integration Matters: Rollout-Based Training for Constrained Diffusion Models [16.46255955344152]
制約付き生成モデルは、データ分布に忠実なまま、複雑な実現可能性制約を満たすサンプルを作成することを目的としている。
既存の制約付き生成法は、トレーニング時間最適化またはサンプリング時間補正によって制約を強制する。
オンラインのロールアウトを通じて得られた制約ガイダンスをトレーニングプロセスに組み込んだ微調整フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-15T22:25:59Z) - Synergizing Transport-Based Generative Models and Latent Geometry for Stochastic Closure Modeling [1.665466637453776]
低次元潜在空間における流れのマッチングは閉包モデルの高速サンプリングに適していることを示す。
我々は、潜時空間の歪みを制御し、サンプリングされた閉包項の物理的忠実度を確保する。
論文 参考訳（メタデータ） (2026-02-19T05:24:00Z) - Formalizing the Sampling Design Space of Diffusion-Based Generative Models via Adaptive Solvers and Wasserstein-Bounded Timesteps [4.397130429878499]
拡散に基づく生成モデルは、様々な領域で顕著な性能を達成してきたが、その実践的展開は、しばしば高いサンプリングコストによって制限されている。
本稿では,数値解法を拡散軌道の固有特性と整合する原理的枠組みであるSDMを提案する。
ODE のダイナミクスを解析することにより,低次解法は初期高雑音で十分であり,高次解法は後段の非線形性の増加に対応するために段階的に展開可能であることを示す。
論文 参考訳（メタデータ） (2026-02-13T05:02:07Z) - An Elementary Approach to Scheduling in Generative Diffusion Models [55.171367482496755]
生成拡散モデルにおけるノイズスケジューリングと時間離散化の影響を特徴付けるための基礎的手法を開発した。
異なるデータセットと事前訓練されたモデルにわたる実験により、我々のアプローチによって選択された時間離散化戦略が、ベースラインとサーチベースの戦略を一貫して上回ることを示した。
論文 参考訳（メタデータ） (2026-01-20T05:06:26Z) - 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) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - Align Your Steps: Optimizing Sampling Schedules in Diffusion Models [63.927438959502226]
拡散モデル(DM)は、視覚領域以降における最先端の生成モデリングアプローチとして確立されている。
DMの重大な欠点は、サンプリング速度の遅いことであり、大規模なニューラルネットワークによる多くのシーケンシャルな関数評価に依存している。
本稿では,DMのサンプリングスケジュールを高品質な出力に最適化する汎用的,原理的な手法を提案する。
論文 参考訳（メタデータ） (2024-04-22T18:18:41Z) - Diffusion Models as Constrained Samplers for Optimization with Unknown Constraints [55.39203337683045]
拡散モデルを用いてデータ多様体内で最適化を行う。
目的関数の微分可能性に応じて,2つの異なるサンプリング手法を提案する。
提案手法は,従来の最先端のベースラインよりも優れた,あるいは同等のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-02-28T03:09:12Z) - A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳（メタデータ） (2023-05-31T15:33:16Z) - 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) - Learning Sampling Distributions for Model Predictive Control [36.82905770866734]
モデル予測制御(MPC)に対するサンプリングに基づくアプローチは、MPCに対する現代のアプローチの基盤となっている。
我々は、学習された分布を最大限に活用できるように、潜在空間における全ての操作を実行することを提案する。
具体的には、学習問題を双方向の最適化として捉え、バックプロパゲーションスルータイムでコントローラをトレーニングする方法を示す。
論文 参考訳（メタデータ） (2022-12-05T20:35:36Z)
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。