論文の概要: Guiding Vector Field Generation via Score-based Diffusion Model
- arxiv url: http://arxiv.org/abs/2604.24487v1
- Date: Mon, 27 Apr 2026 13:55:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:08.061652
- Title: Guiding Vector Field Generation via Score-based Diffusion Model
- Title（参考訳）: スコアベース拡散モデルによるベクトル場生成誘導
- Authors: Zirui Chen, Shiliang Guo, Shiyu Zhao,
- Abstract要約: スコア誘導誘導誘導ベクトル場(SGVF)と呼ばれる統合フレームワークを提案する。
我々は、単位ノルム性、方向整合性損失、幾何学的忠実度を有する点雲からベクトル場を学習する。
このアプローチは、アドホックパスのセグメンテーションへの依存を排除し、分岐や擬多様体のような複雑なトポロジーに沿ったガイダンスを可能にする。
- 参考スコア（独自算出の注目度）: 14.390715666696174
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Guiding Vector Fields (GVFs) are a powerful tool for robotic path following. However, classical methods assume smooth, ordered curves and fail when paths are unordered, multi-branch, or generated by probabilistic models. We propose a unified framework, termed the Score-Induced Guiding Vector Field (SGVF), which leverages score-based generative modeling to construct vector fields directly from data distributions. SGVF learns tangent fields from point clouds with unit-norm, orthogonality, and directional-consistency losses, ensuring geometric fidelity and control feasibility. This approach removes the reliance on ad-hoc path segmentation and enables guidance along complex topologies such as branching and pseudo-manifolds. The study establishes a correspondence between score vanishing in diffusion models and GVF singularities and highlights representational capacity near sharp path curvatures. Experiments on robotic navigation in planar environments demonstrate that SGVF achieves reliable path following in scenarios where classical GVFs fail, underscoring its potential as a bridge between generative modeling and geometric control. Code and experiment video are available at https://github.com/czr-gif/Guiding-Vector-Field-Generation-via-Score-based-Diffusion-Model.
- Abstract（参考訳）: GVF(Guiding Vector Fields)は、ロボット・パスを追従するための強力なツールである。
しかし、古典的な手法は滑らかで順序のある曲線を仮定し、経路が順序づけられていない場合、多重ブランチ、確率モデルによって生成される場合、失敗する。
本稿では,スコアベース生成モデルを用いてデータ分布から直接ベクトル場を構築する,Score-induced Guiding Vector Field (SGVF) と呼ばれる統一フレームワークを提案する。
SGVFは、単位ノルム、直交性、方向整合性損失のある点雲から接フィールドを学習し、幾何学的忠実性を確保し、実現可能性を制御する。
このアプローチは、アドホックパスのセグメンテーションへの依存を排除し、分岐や擬多様体のような複雑なトポロジーに沿ったガイダンスを可能にする。
本研究は,拡散モデルにおける楽譜とGVF特異点との対応性を確立し,鋭い経路曲率近傍の表現能力を強調する。
平面環境におけるロボットナビゲーションの実験では、古典的なGVFが失敗するシナリオにおいて、SGVFは信頼できる経路を達成し、生成的モデリングと幾何学的制御の間の橋渡しとしての可能性を示している。
コードと実験ビデオはhttps://github.com/czr-gif/Guiding-Vector-Field-Generation-via-Score-based-Diffusion-Modelで公開されている。
関連論文リスト
- Inverting Self-Organizing Maps: A Unified Activation-Based Framework [39.146761527401424]
我々は,SOMの活性化パターンを逆転させて,微妙な幾何学的条件下での正確な入力を復元できることを示す。
我々は,MUSIC (Manifold-Aware Unified SOM Inversion and Control) 更新ルールを導入する。
合成ガウス混合系, MNIST と Faces in the Wild を用いたアプローチを検証した。
論文 参考訳（メタデータ） (2026-01-20T11:02:54Z) - Source-Guided Flow Matching [7.888172595458005]
本稿ではソースガイド型フローマッチングフレームワークを提案する。
事前訓練されたベクトル場をそのまま保ちながら、ソース分布を直接修正する。
これにより、ガイダンス問題は、ソース分布からサンプリングする、明確に定義された問題に還元される。
論文 参考訳（メタデータ） (2025-08-20T15:56:25Z) - Beyond Optimal Transport: Model-Aligned Coupling for Flow Matching [59.97254029720877]
フローマッチング(FM)は、サンプルをソース分布からターゲット分布へ輸送するベクトル場を学習するモデルを訓練するための効果的なフレームワークである。
本稿では,幾何距離に基づく学習結合を効果的にマッチングするモデル結合結合(MAC)を提案する。
実験により、MACは既存の手法と比較して、数ステップ設定で生成品質と効率を著しく改善することが示された。
論文 参考訳（メタデータ） (2025-05-29T11:10:41Z) - Topology Guidance: Controlling the Outputs of Generative Models via Vector Field Topology [25.30645421862573]
本稿では,生成モデルのサンプリング過程,特に拡散モデルの導出方法を提案する。
本稿では,座標ネットワークによって提供されるトポロジカル関連信号を用いて拡散モデルの復調過程を導出する方法について述べる。
論文 参考訳（メタデータ） (2025-05-11T01:02:01Z) - Visual Generation Without Guidance [54.556375372833685]
我々はサンプリングガイドのないビジュアルモデルを構築することを提案する。
得られたアルゴリズムである Guidance-Free Training (GFT) は、CFGの性能と一致し、サンプリングを1つのモデルに減らし、コストを半減する。
論文 参考訳（メタデータ） (2025-01-26T06:48:05Z) - A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。
本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。
ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。
これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
論文 参考訳（メタデータ） (2024-12-12T16:05:39Z) - MGF: Mixed Gaussian Flow for Diverse Trajectory Prediction [72.70572835589158]
本稿では,軌道予測のための正規化フローモデルに対して,混合ガウス前駆体を構築することを提案する。
提案手法は,一般的な UCY/ETH および SDD データセットにおける軌道アライメントと多様性の評価において,最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-02-19T15:48:55Z) - Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。
近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。
DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
論文 参考訳（メタデータ） (2022-02-28T15:53:10Z) - Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。
本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。
実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文 参考訳（メタデータ） (2020-09-21T13:57:10Z)
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。