論文の概要: ODE-free Neural Flow Matching for One-Step Generative Modeling

• arxiv url: http://arxiv.org/abs/2604.06413v1
• Date: Tue, 07 Apr 2026 19:49:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.216225
• Title: ODE-free Neural Flow Matching for One-Step Generative Modeling
• Title（参考訳）: 1ステップ生成モデルのためのODEフリーニューラルフローマッチング
• Authors: Xiao Shou,
• Abstract要約: 拡散およびフローマッチングモデルは、データにノイズを伝達する時間依存ベクトル場を学習することでサンプルを生成する。 本稿では,フローマップとニューラルフローをパラメータ化するODEフリーな生成フレームワークOT-NFMを提案する。 本研究では,不整合なノイズデータペアリングがすべての出力をデータ平均に向かって駆動する場合,フローマップ学習が平均崩壊に苦しむことを示す。
• 参考スコア（独自算出の注目度）: 4.319549155064877
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion and flow matching models generate samples by learning time-dependent vector fields whose integration transports noise to data, requiring tens to hundreds of network evaluations at inference. We instead learn the transport map directly. We propose Optimal Transport Neural Flow Matching (OT-NFM), an ODE-free generative framework that parameterizes the flow map with neural flows, enabling true one-step generation with a single forward pass. We show that naive flow-map training suffers from mean collapse, where inconsistent noise-data pairings drive all outputs toward the data mean. We prove that consistent coupling is necessary for non-degenerate learning and address this using optimal transport pairings with scalable minibatch and online coupling strategies. Experiments on synthetic benchmarks and image generation tasks (MNIST and CIFAR-10) demonstrate competitive sample quality while reducing inference to a single network evaluation.
• Abstract（参考訳）: 拡散モデルとフローマッチングモデルは、統合がデータにノイズを伝達する時間依存ベクトル場を学習し、推測時に数十から数百のネットワーク評価を必要とするサンプルを生成する。 代わりに、トランスポートマップを直接学習します。 本稿では,1つの前方通過で真のワンステップ生成を実現するため,フローマップとニューラルフローをパラメータ化するODEフリーな生成フレームワークOT-NFMを提案する。 本研究では,不整合なノイズデータペアリングがすべての出力をデータ平均に向かって駆動する場合,フローマップ学習が平均崩壊に苦しむことを示す。 我々は、非退化学習には一貫性のある結合が必要であることを証明し、スケーラブルなミニバッチとオンライン結合戦略を備えた最適なトランスポートペアリングを用いてこの問題に対処する。 合成ベンチマークと画像生成タスク(MNISTとCIFAR-10)の実験は、単一のネットワーク評価に推論を還元しながら、競合するサンプル品質を示す。

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)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Bayesian Flow Networks [4.197165999892042]
  本稿では,ベイジアン・フロー・ネットワーク(BFN)について述べる。ベイジアン・フロー・ネットワーク(BFN)は,独立分布の集合のパラメータをベイジアン推論で修正した新しい生成モデルである。 単純な事前および反復的な2つの分布の更新から始めると、拡散モデルの逆過程に似た生成手順が得られる。 BFNは動的にバイナライズされたMNISTとCIFAR-10で画像モデリングを行うために競合するログライクフレーションを実現し、text8文字レベルの言語モデリングタスクにおいて既知のすべての離散拡散モデルより優れている。
  論文  参考訳（メタデータ） (2023-08-14T09:56:35Z)
• Multisample Flow Matching: Straightening Flows with Minibatch Couplings [38.82598694134521]
  連続時間生成モデルを訓練するためのシミュレーション不要な手法は、ノイズ分布と個々のデータサンプルの間の確率経路を構築する。 データとノイズサンプル間の非自明な結合を利用するより一般的なフレームワークであるMultisample Flow Matchingを提案する。 提案手法は,イメージネットデータセットのサンプル一貫性を向上し,低コストなサンプル生成に繋がることを示す。
  論文  参考訳（メタデータ） (2023-04-28T11:33:08Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)

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。