論文の概要: Exploring Time Conditioning in Diffusion Generative Models from Disjoint Noisy Data Manifolds

• arxiv url: http://arxiv.org/abs/2604.25289v1
• Date: Tue, 28 Apr 2026 06:53:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.743115
• Title: Exploring Time Conditioning in Diffusion Generative Models from Disjoint Noisy Data Manifolds
• Title（参考訳）: 混合雑音データマニフォールドからの拡散生成モデルにおける時間条件の探索
• Authors: Liuzhuozheng Li, Zhiyuan Zhan, Shuhong Liu, Dengyang Jiang, Zanyi Wang, Guang Dai, Jingdong Wang, Mengmeng Wang,
• Abstract要約: 我々は幾何学的観点から時間条件付けの役割を再考する。 DDIMは時間条件なしで高品質なコンテンツを生成することができることを示す。 クラスを異なる時間空間に分離することで、私たちのフレームワークをクラス条件生成に拡張します。
• 参考スコア（独自算出の注目度）: 42.30439729767787
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Practically, training diffusion models typically requires explicit time conditioning to guide the network through the denoising sampling process. Especially in deterministic methods like DDIM, the absence of time conditioning leads to significant performance degradation. However, other deterministic sampling approaches, such as flow matching, can generate high-quality content without this conditioning, raising the question of its necessity. In this work, we revisit the role of time conditioning from a geometric perspective. We analyze the evolution of noisy data distributions under the forward diffusion process and demonstrate that, in high-dimensional spaces, these distributions concentrate on low-dimensional hyper-cylinder-like manifolds embedded within the input space. Successful generation, we argue, stems from the disentanglement of these manifolds in high-dimensional space. Based on this insight, we modify the forward process of DDIM to align the noisy data manifold with the flow-matching approach, proving that DDIM can generate high-quality content without time conditioning, provided the noisy manifold evolves according to the flow-matching method. Additionally, we extend our framework to class-conditioned generation by decoupling classes into distinct time spaces, enabling class-conditioned synthesis with a class-unconditional denoising model. Extensive experiments validate our theoretical analysis and show that high-quality generation is achievable without explicit conditional embeddings.
• Abstract（参考訳）: 実際には、トレーニング拡散モデルは通常、演目サンプリングプロセスを通じてネットワークを導くために明示的な時間条件を必要とする。 特にDDIMのような決定論的手法では、時間条件の欠如により性能が著しく低下する。 しかし、フローマッチングのような他の決定論的サンプリングアプローチは、この条件付けなしで高品質なコンテンツを生成することができ、その必要性の疑問が提起される。 本研究では,幾何学的観点から時間条件付けの役割を再考する。 前方拡散過程下での雑音データ分布の進化を解析し、高次元空間において、これらの分布は入力空間内に埋め込まれた低次元超円柱状多様体に集中していることを示す。 成功した生成は、高次元空間におけるこれらの多様体の非絡み合いに由来すると我々は主張する。 この知見に基づき, DDIM の前方処理をフローマッチング手法と整合させることにより, DDIM が時間条件なしで高品質なコンテンツを生成できることを証明し, フローマッチング法に従ってノイズ多様体が進化することを示した。 さらに、クラスを異なる時間空間に分離することでクラス条件生成に拡張し、クラス条件記述モデルによるクラス条件合成を可能にする。 広範囲な実験により、我々の理論解析を検証し、明示的な条件埋め込みなしに高品質な生成が達成可能であることを示す。

関連論文リスト

• ManifoldGD: Training-Free Hierarchical Manifold Guidance for Diffusion-Based Dataset Distillation [9.230247128710865]
  本稿では,各段階における多様体一貫したガイダンスを統合した,学習自由拡散に基づくフレームワークを提案する。 ManifoldGDは、モデルの再トレーニングを必要とせずに、代表性、多様性、画像の忠実性を改善する。
  論文  参考訳（メタデータ） (2026-02-26T18:07:10Z)
• Synergizing Transport-Based Generative Models and Latent Geometry for Stochastic Closure Modeling [1.665466637453776]
  低次元潜在空間における流れのマッチングは閉包モデルの高速サンプリングに適していることを示す。 我々は、潜時空間の歪みを制御し、サンプリングされた閉包項の物理的忠実度を確保する。
  論文  参考訳（メタデータ） (2026-02-19T05:24:00Z)
• Learning Robust Diffusion Models from Imprecise Supervision [75.53546939251146]
  DMISは、Imrecise Supervisionから堅牢な条件拡散モデルをトレーニングするための統一されたフレームワークである。 我々のフレームワークは、可能性から派生し、その目的を生成的および分類的構成要素に分解する。 画像生成、弱教師付き学習、データセットの凝縮をカバーし、様々な形の不正確な監視実験を行い、DMISが常に高品質でクラス差別的なサンプルを生成することを示した。
  論文  参考訳（メタデータ） (2025-10-03T14:00:32Z)
• Fast Sampling via Discrete Non-Markov Diffusion Models with Predetermined Transition Time [49.598085130313514]
  離散非マルコフ拡散モデル(DNDM)を提案する。 これにより、トレーニング不要なサンプリングアルゴリズムにより、関数評価の数を大幅に削減できる。 有限ステップサンプリングから無限ステップサンプリングへの移行について検討し、離散プロセスと連続プロセスのギャップを埋めるための新たな洞察を提供する。
  論文  参考訳（メタデータ） (2023-12-14T18:14:11Z)
• DiffuSeq-v2: Bridging Discrete and Continuous Text Spaces for Accelerated Seq2Seq Diffusion Models [58.450152413700586]
  ガウス空間に基づく離散突然変異を再構成する学習において拡散モデルを容易にする軟吸収状態を導入する。 我々は、サンプリングプロセスの高速化のために、連続空間内で最先端のODEソルバを用いている。 提案手法は, トレーニング収束率を4倍に向上させ, 類似品質のサンプルを800倍高速に生成する。
  論文  参考訳（メタデータ） (2023-10-09T15:29:10Z)
• ShiftDDPMs: Exploring Conditional Diffusion Models by Shifting Diffusion Trajectories [144.03939123870416]
  本稿では,前処理に条件を導入することで,新しい条件拡散モデルを提案する。 いくつかのシフト規則に基づいて各条件に対して排他的拡散軌跡を割り当てるために、余剰潜在空間を用いる。 我々は textbfShiftDDPMs と呼ぶメソッドを定式化し、既存のメソッドの統一的な視点を提供する。
  論文  参考訳（メタデータ） (2023-02-05T12:48:21Z)

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。