論文の概要: Wildfire Spread Scenarios: Increasing Sample Diversity of Segmentation Diffusion Models with Training-Free Methods

• arxiv url: http://arxiv.org/abs/2603.20188v1
• Date: Fri, 20 Mar 2026 17:59:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.284309
• Title: Wildfire Spread Scenarios: Increasing Sample Diversity of Segmentation Diffusion Models with Training-Free Methods
• Title（参考訳）: ワイルドファイア拡散シナリオ:訓練不要手法によるセグメンテーション拡散モデルのサンプル多様性の向上
• Authors: Sebastian Gerard, Josephine Sullivan,
• Abstract要約: 不確実な環境での将来の状態を予測するには、複数の妥当な結果を考えるモデルが必要である。 本研究では, サンプル効率の曖昧なセグメンテーションの課題を, トレーニング不要サンプリング法の評価によって解決する。 単純サンプリングと比較して、これらの手法はMMFireでは最大7.5%、Cityscapesでは16.4%のHM IoU*測定値を増加させる。
• 参考スコア（独自算出の注目度）: 3.5493798890908113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting future states in uncertain environments, such as wildfire spread, medical diagnosis, or autonomous driving, requires models that can consider multiple plausible outcomes. While diffusion models can effectively learn such multi-modal distributions, naively sampling from these models is computationally inefficient, potentially requiring hundreds of samples to find low-probability modes that may still be operationally relevant. In this work, we address the challenge of sample-efficient ambiguous segmentation by evaluating several training-free sampling methods that encourage diverse predictions. We adapt two techniques, particle guidance and SPELL, originally designed for the generation of diverse natural images, to discrete segmentation tasks, and additionally propose a simple clustering-based technique. We validate these approaches on the LIDC medical dataset, a modified version of the Cityscapes dataset, and MMFire, a new simulation-based wildfire spread dataset introduced in this paper. Compared to naive sampling, these approaches increase the HM IoU* metric by up to 7.5% on MMFire and 16.4% on Cityscapes, demonstrating that training-free methods can be used to efficiently increase the sample diversity of segmentation diffusion models with little cost to image quality and runtime. Code and dataset: https://github.com/SebastianGer/wildfire-spread-scenarios
• Abstract（参考訳）: 火災の拡散、診断、自律運転などの不確実な環境における将来の状態を予測するには、複数の妥当な結果を考えるモデルが必要である。 拡散モデルはそのようなマルチモーダル分布を効果的に学習できるが、これらのモデルからの帰納的なサンプリングは計算的に非効率であり、まだ運用上関係のある低確率モードを見つけるために数百のサンプルを必要とする可能性がある。 本研究では,サンプル効率の曖昧なセグメンテーションの課題を,多種多様な予測を促すトレーニング不要サンプリング手法の評価によって解決する。 粒子誘導とSPELLの2つの手法を個別分割タスクに適用し,クラスタリングに基づく簡単な手法を提案する。 本稿では, LIDC 医療データセット, Cityscapes データセットの修正版, MMFire を用いて, これらのアプローチを検証した。 単純サンプリングと比較すると、これらの手法はMMFireで最大7.5%、Cityscapesで16.4%、HM IoU*で最大7.5%向上する。 コードとデータセット:https://github.com/SebastianGer/wildfire-spread-scenarios

関連論文リスト

• Temporal Score Rescaling for Temperature Sampling in Diffusion and Flow Models [30.36841165328262]
  本稿では,フローマッチングモデルのサンプリング多様性を判断するメカニズムを提案する。 これらの再スケーリングにより、局所的なサンプリング温度を効果的に制御できることを示す。
  論文  参考訳（メタデータ） (2025-10-01T17:59:51Z)
• Scalable Discrete Diffusion Samplers: Combinatorial Optimization and Statistical Physics [7.873510219469276]
  離散拡散サンプリングのための2つの新しいトレーニング手法を提案する。 これらの手法は、メモリ効率のトレーニングを行い、教師なし最適化の最先端結果を達成する。 SN-NISとニューラルチェインモンテカルロの適応を導入し,離散拡散モデルの適用を初めて可能とした。
  論文  参考訳（メタデータ） (2025-02-12T18:59:55Z)
• Improved off-policy training of diffusion samplers [93.66433483772055]
  本研究では,非正規化密度やエネルギー関数を持つ分布からサンプルを抽出する拡散モデルの訓練問題について検討する。 シミュレーションに基づく変分法や非政治手法など,拡散構造推論手法のベンチマークを行った。 我々の結果は、過去の研究の主張に疑問を投げかけながら、既存のアルゴリズムの相対的な利点を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-02-07T18:51:49Z)
• Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
  高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。 EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。 本研究では,協調拡散回復可能性 (CDRL) を提案する。
  論文  参考訳（メタデータ） (2023-09-10T22:05:24Z)
• Phoenix: A Federated Generative Diffusion Model [6.09170287691728]
  大規模な集中型データセットで生成モデルをトレーニングすることで、データのプライバシやセキュリティ、アクセシビリティといった面での課題が発生する可能性がある。 本稿では,フェデレートラーニング(FL)技術を用いて,複数のデータソースにまたがる拡散確率モデル(DDPM)の学習手法を提案する。
  論文  参考訳（メタデータ） (2023-06-07T01:43:09Z)
• Your Diffusion Model is Secretly a Zero-Shot Classifier [90.40799216880342]
  大規模テキスト・画像拡散モデルからの密度推定をゼロショット分類に活用できることを示す。 分類に対する我々の生成的アプローチは、様々なベンチマークで強い結果が得られる。 我々の結果は、下流タスクにおける差別的モデルよりも生成的な利用に向けての一歩である。
  論文  参考訳（メタデータ） (2023-03-28T17:59:56Z)

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。