論文の概要: Isokinetic Flow Matching for Pathwise Straightening of Generative Flows

• arxiv url: http://arxiv.org/abs/2604.04491v1
• Date: Mon, 06 Apr 2026 07:32:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.134016
• Title: Isokinetic Flow Matching for Pathwise Straightening of Generative Flows
• Title（参考訳）: 生成フローの経路的ストレート化のための等速流マッチング
• Authors: Tauhid Khan,
• Abstract要約: Flow Matching (FM) は線形条件付き確率経路を構成するが、学習された境界速度場は軌道重畳による強い曲率を示す。 Iso-FM (Isokinetic Flow Matching) はヤコビアンフリーな動的正規化器であり, 経路加速度を直接計算する。 シングルステージFMトレーニングに純粋にプラグ&プレイの追加として動作するため、Iso-FMは数ステップ生成を劇的に改善する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow Matching (FM) constructs linear conditional probability paths, but the learned marginal velocity field inevitably exhibits strong curvature due to trajectory superposition. This curvature severely inflates numerical truncation errors, bottlenecking few-step sampling. To overcome this, we introduce Isokinetic Flow Matching (Iso-FM), a lightweight, Jacobian-free dynamical regularizer that directly penalizes pathwise acceleration. By using a self-guided finite-difference approximation of the material derivative Dv/Dt, Iso-FM enforces local velocity consistency without requiring auxiliary encoders or expensive second-order autodifferentiation. Operating as a pure plug-and-play addition to single-stage FM training, Iso-FM dramatically improves few-step generation. On CIFAR-10 (DiT-S/2), Iso-FM slashes conditional non-OT FID at 2 steps from 78.82 to 27.13 - a 2.9x relative efficiency gain - and reaches a best-observed FID at 4 steps of 10.23. These results firmly establish acceleration regularization as a principled, compute-efficient mechanism for fast generative sampling.
• Abstract（参考訳）: Flow Matching (FM) は線形条件付き確率経路を構成するが、学習された限界速度場は軌道重畳による強い曲率を示す。 この曲線は、数段のサンプリングをボトルネックにして、数値的なトランケーション誤差を著しく膨らませる。 これを解決するために、経路加速度を直接ペナルティ化する軽量なヤコビアンフリーな動的正規化器であるイソキネティックフローマッチング(Iso-FM)を導入する。 材料誘導体Dv/Dtの自己誘導有限差分近似を用いて、Iso-FMは補助エンコーダや高価な2階自動微分を必要とせずに局所速度の一貫性を強制する。 シングルステージFMトレーニングに純粋にプラグ&プレイの追加として動作するため、Iso-FMは数ステップ生成を劇的に改善する。 CIFAR-10(DiT-S/2)では、Iso-FMは条件付き非OT FIDを78.82から2.9倍の効率向上である27.13までの2ステップで切断し、10.23の4ステップで最も観測されたFIDに達する。 これらの結果は、高速な生成サンプリングのための原理的、計算効率のメカニズムとして、加速正則化を確実に確立する。

関連論文リスト

• Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
  フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。 平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。 球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
  論文  参考訳（メタデータ） (2026-03-11T12:41:46Z)
• FlowConsist: Make Your Flow Consistent with Real Trajectory [99.22869983378062]
  現在の高速フロートレーニングパラダイムには,2つの根本的な問題がある,と我々は主張する。 ランダムにペアリングされたノイズデータサンプルから構築された条件付き速度は、系統的な軌跡ドリフトを導入する。 本研究では,高速フローにおける軌道整合性を実現するためのトレーニングフレームワークであるFlowConsistを提案する。
  論文  参考訳（メタデータ） (2026-02-06T03:24:23Z)
• Path-Guided Flow Matching for Dataset Distillation [9.761850986508895]
  本稿では, 数ステップでODEを解くことで, 高速な決定論的合成を可能にする, 生成蒸留のための最初のフローマッチングに基づくフレームワークを提案する。 本研究では, ODE-consistent path control のための連続経路-プロトタイプ誘導アルゴリズムを開発し, トラジェクトリが割り当てられたプロトタイプに確実に着地できるようにする。
  論文  参考訳（メタデータ） (2026-02-05T12:52:32Z)
• OAT-FM: Optimal Acceleration Transport for Improved Flow Matching [31.693019737039496]
  Flow Matching (FM)は、ノイズからデータへの速度場学習を目的としている。 FM橋と最近の最適加速輸送理論(OAT) 我々は、OAT-FMと呼ばれる改良されたFM法を開発し、理論と実践の両面でその利点を探求する。
  論文  参考訳（メタデータ） (2025-09-29T15:36:27Z)
• Flow Diverse and Efficient: Learning Momentum Flow Matching via Stochastic Velocity Field Sampling [23.57202605415588]
  フローベース拡散モデルにおける新しい最先端技術として整流流(RF)が出現している。 本稿では,新しい整流モデルである離散RFについて述べる。 本稿では,その方向を変えるためにサブパスのベロシティ$bm対$のノイズを導入し,多様性とマルチスケールノイズモデリング能力を向上する。
  論文  参考訳（メタデータ） (2025-06-10T13:44:49Z)
• Local Flow Matching Generative Models [19.859984725284896]
  フローマッチング(英: Flow Matching, FM)は、2つの分布を補間する連続的かつ非可逆的な流れを学習するためのシミュレーション不要な手法である。 FMサブモデルのシーケンスを連続的に学習するLFM(Local Flow Matching)と呼ばれるステップワイズFMモデルを提案する。 FMと比較して, LFMの訓練効率と競争的生成性能の改善を実証的に実証した。
  論文  参考訳（メタデータ） (2024-10-03T14:53:10Z)
• Consistency Flow Matching: Defining Straight Flows with Velocity Consistency [97.28511135503176]
  本稿では,速度場の自己整合性を明示する新しいFM法であるConsistency Flow Matching(Consistency-FM)を紹介する。 予備実験により、一貫性FMは、一貫性モデルよりも4.4倍速く収束することにより、トレーニング効率を著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-07-02T16:15:37Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)

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。