論文の概要: SubFlow: Sub-mode Conditioned Flow Matching for Diverse One-Step Generation

• arxiv url: http://arxiv.org/abs/2604.12273v1
• Date: Tue, 14 Apr 2026 04:36:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.239149
• Title: SubFlow: Sub-mode Conditioned Flow Matching for Diverse One-Step Generation
• Title（参考訳）: SubFlow: 逆1ステップ生成のためのサブモード条件付きフローマッチング
• Authors: Yexiong Lin, Jia Shi, Shanshan Ye, Wanyu Wang, Yu Yao, Tongliang Liu,
• Abstract要約: SubFlowはフローマッチングフレームワークで、各クラスの平均的な歪みをきめ細かなサブモードに排除します。 MeanFlowやShortcut Modelsといった既存のワンステップモデルとシームレスに統合される。 ImageNet-256の実験により、SubFlowは、競合画像品質(FID)を維持しながら、世代多様性(リコール)においてかなりの利益を得ることが示された。
• 参考スコア（独自算出の注目度）: 49.024920867668754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flow matching has emerged as a powerful generative framework, with recent few-step methods achieving remarkable inference acceleration. However, we identify a critical yet overlooked limitation: these models suffer from severe diversity degradation, concentrating samples on dominant modes while neglecting rare but valid variations of the target distribution. We trace this degradation to averaging distortion: when trained with MSE objectives, class-conditional flows learn a frequency-weighted mean over intra-class sub-modes, causing the model to over-represent high-density modes while systematically neglecting low-density ones. To address this, we propose SubFlow, Sub-mode Conditioned Flow Matching, which eliminates averaging distortion by decomposing each class into fine-grained sub-modes via semantic clustering and conditioning the flow on sub-mode indices. Each conditioned sub-distribution is approximately unimodal, so the learned flow accurately targets individual modes with no averaging distortion, restoring full mode coverage in a single inference step. Crucially, SubFlow is entirely plug-and-play: it integrates seamlessly into existing one-step models such as MeanFlow and Shortcut Models without any architectural modifications. Extensive experiments on ImageNet-256 demonstrate that SubFlow yields substantial gains in generation diversity (Recall) while maintaining competitive image quality (FID), confirming its broad applicability across different one-step generation frameworks. Project page: https://yexionglin.github.io/subflow.
• Abstract（参考訳）: フローマッチングは強力な生成フレームワークとして登場し、最近の数ステップで顕著な推論加速を実現している。 しかし、これらのモデルでは、希少ながら有効な分布の変動を無視しながら、支配的なモードにサンプルを集中させ、非常に多様性の低下に悩まされている。 MSEの目的を訓練すると、クラス条件付きフローはクラス内のサブモード上で周波数重み付き平均を学習し、低密度モードを体系的に無視しながら高密度モードを過剰に表現する。 そこで本研究では,各クラスをセマンティッククラスタリングにより細粒度サブモードに分解し,サブモードインデックス上でのフローの条件付けにより,平均的な歪みを解消するSubFlowを提案する。 各条件付きサブディストリビューションは、ほぼ一様であり、学習されたフローは、平均的な歪みのない個々のモードを正確にターゲットし、単一の推論ステップで全モードカバレッジを復元する。 SubFlowは完全にプラグイン・アンド・プレイで、MeanFlowやShortcut Modelsのような既存のワンステップモデルとシームレスに統合される。 ImageNet-256の大規模な実験により、SubFlowは、競争力のある画像品質(FID)を維持しながら、生成の多様性(リコール)を大幅に向上することを示した。 プロジェクトページ: https://yexionglin.github.io/subflow.com

関連論文リスト

• MixFlow: Mixture-Conditioned Flow Matching for Out-of-Distribution Generalization [31.579433319908485]
  記述子制御生成のための条件付きフローマッチングフレームワークであるMixFlowを紹介する。 MixFlowはスムーズな外挿を可能にし、配布外一般化を大幅に改善する。 本研究は, 単細胞転写データの乱れに対する応答の予測や, 高濃度顕微鏡による薬物スクリーニングタスクなど, 複数領域にわたる効果を実証的に実証する。
  論文  参考訳（メタデータ） (2026-01-16T23:13:21Z)
• Contrastive Flow Matching [61.60002028726023]
  コントラストフローマッチング(Contrastive Flow Matching)は、全ての条件フローに対して一意性を明示するフローマッチング対象の拡張である。 提案手法は,任意のサンプル対からの予測フロー間の相違を最大化するための対照的な目的を与える。 比較フローマッチングによるトレーニングモデル(1)は最大9倍のトレーニング速度,(2)は最大5倍のノイズ除去ステップ,(3)FIDを最大8.9以下に向上させる。
  論文  参考訳（メタデータ） (2025-06-05T17:59:58Z)
• Flowing from Words to Pixels: A Noise-Free Framework for Cross-Modality Evolution [14.57591222028278]
  クロスモーダルフローマッチングのための汎用的でシンプルなフレームワークであるCrossFlowを提案する。 本稿では、入力データに変分法を適用することの重要性を示し、フリーガイダンスを実現する方法を提案する。 また,本手法の一般化可能性を示すため,CrossFlowは多種多様なクロスモーダル/イントラモーダルマッピングタスクの最先端性に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2024-12-19T18:59:56Z)
• Efficient Diversity-Preserving Diffusion Alignment via Gradient-Informed GFlowNets [65.42834731617226]
  そこで我々は,Nabla-GFlowNetと呼ばれる拡散モデルファインタニングのための強化学習手法を提案する。 提案手法は,大規模テキスト条件による画像拡散モデルである安定拡散の高速かつ多様かつ事前保存的な微調整を実現する。
  論文  参考訳（メタデータ） (2024-12-10T18:59:58Z)
• AdaFlow: Imitation Learning with Variance-Adaptive Flow-Based Policies [21.024480978703288]
  本稿では,フローベース生成モデルに基づく模倣学習フレームワークであるAdaFlowを提案する。 AdaFlowは状態条件付き常微分方程式(ODE)によるポリシーを表す AdaFlowは高速な推論速度で高い性能を実現する。
  論文  参考訳（メタデータ） (2024-02-06T10:15:38Z)
• 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)
• DeFlow: Learning Complex Image Degradations from Unpaired Data with Conditional Flows [145.83812019515818]
  本論文では,不対データから画像劣化を学習するDeFlowを提案する。 共有フローデコーダネットワークの潜在空間における劣化過程をモデル化する。 共同画像復元と超解像におけるDeFlowの定式化を検証した。
  論文  参考訳（メタデータ） (2021-01-14T18:58:01Z)

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。