論文の概要: FlowS: One-Step Motion Prediction via Local Transport Conditioning

• arxiv url: http://arxiv.org/abs/2604.26065v1
• Date: Tue, 28 Apr 2026 19:06:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.149281
• Title: FlowS: One-Step Motion Prediction via Local Transport Conditioning
• Title（参考訳）: 流れ:局所輸送条件によるワンステップ運動予測
• Abstract要約: ローカルトランスポートコンディショニングは、安全クリティカルな自律性のために一段階の生成動作予測を実践する。 FlowSは75のアンサンブルを持つ最先端のSoft mAP (0.4804)とmAP (0.4703)を単一ステップ推論で調整する。
• 参考スコア（独自算出の注目度）: 3.883772843505009
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Generative motion prediction must satisfy three simultaneous requirements for real-world autonomy: high accuracy, diverse multimodal futures, and strictly bounded latency. Diffusion models meet the first two but violate the third, requiring tens to hundreds of denoising steps. We identify a conditioning strategy that resolves this tension: \textit{single-step integration is accurate when the underlying transport problem is local}. A model that must both discover the correct behavioral mode and traverse a long displacement in one step accumulates large discretization errors; conditioning the base distribution to lie near plausible futures reduces the problem to short-range refinement, the regime where a single Euler step suffices. We instantiate this \emph{local transport conditioning} in FlowS, a conditional flow matching framework with two mechanisms. First, an online, scene-conditioned learned prior emits $K$ calibrated anchor trajectories per agent, each already near a plausible future, converting mode discovery into local correction. Second, a step-consistent displacement field enforces semigroup self-consistency, guaranteeing that a single step inherits multi-step accuracy. Crucially, anchoring this field at learned priors along straight-line paths yields a {stable, low-variance} training target, unlike prior self-consistency methods that suffer from {high-variance bootstrap} signals on curved diffusion paths. On the Waymo Open Motion Dataset, FlowS achieves state-of-the-art Soft mAP {(0.4804) and mAP (0.4703) with ensemble at 75\,FPS} with single-step inference, demonstrating that local transport conditioning makes one-step generative motion prediction practical for safety-critical autonomy. Code and pretrained models will be released upon acceptance.
• Abstract（参考訳）: 生成的動き予測は、高い精度、多様なマルチモーダル未来、厳密な制限付きレイテンシの3つの同時要求を満たす必要がある。 拡散モデルは最初の2つを満たすが、第3のモデルに違反し、数十から数百のデノイングステップを必要とする。 この緊張を解消する条件付け戦略を同定する: \textit{single-step Integration is accurate when the underlying transport problem is local}。 1ステップで正しい振舞いモードを発見して長い変位を経なければならないモデルは、大きな離散化誤差を蓄積し、ベース分布をプラウシブルな未来に近いものに条件付けすることで、問題を短い範囲の洗練(英語版)に還元する。 2つのメカニズムを持つ条件付きフローマッチングフレームワークであるFlowSでは,このemph{local transport conditioning}をインスタンス化する。 まず、オンラインでシーンコンディショニングされた事前学習者は、エージェントごとのキャリブレーションされたアンカー軌跡を$K$で出力し、それぞれがすでに実現可能な未来に近づいており、モード発見を局所的な修正に変換する。 第二に、ステップ整合変位場は半群自己整合を強制し、単一のステップがマルチステップ精度を継承することを保証する。 重要なことに、学習前のフィールドを直線経路に沿って固定すると、曲線拡散経路上の‘高分散ブートストラップ’信号に苦しむ以前の自己整合性手法とは異なり、‘安定で低分散’なトレーニングターゲットが得られる。 Waymo Open Motion Datasetでは、FlowSは75\,FPS}のアンサンブルで最先端のSoft mAP {(0.4804)とmAP (0.4703)を単一ステップの推論で達成し、局所輸送条件が一段階生成運動予測を安全な自律性のために実践することを実証した。 コードと事前訓練されたモデルは、受け入れ次第リリースされる。

関連論文リスト

• High-Fidelity One-Step Generative Visuomotor Policy via Recursive Correction, Frequency Consistency, and Contrastive Flow Matching [3.5570904967011505]
  拡散や流れのマッチングのような生成モデルは、多モーダルな行動分布をモデル化することによって、ロボットビズモータポリシーを進化させた。 既存のワンステップ加速法は、生成プロセス全体を1つの大きな更新に圧縮し、空間偏差、周波数歪み、モード平均化をもたらす。 本稿では,これらの問題に3つの相補的なメカニズムで対処する,高忠実な1ステップ生成型ビズモータポリシーフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-04T13:12:38Z)
• FlowBender: Feedback-Aware Training for Self-Correcting Conditional Flows [18.746098727212544]
  FlowBenderは3D再構成のための新しい拡散流モデルである。 FlowBenderは、標準的な教師付きアライメントトレーニングよりも一貫して優れています。 微分可能な演算子に対して、FlowBenderのいくつかの変種を提案する。
  論文  参考訳（メタデータ） (2026-06-18T15:56:07Z)
• DriveAnchor: Progressive Anchor-based Flow Learning for Autonomous Driving Planning [6.848508447210393]
  DriveAnchorは、自動運転計画のためのフレームワークである。 構成可能なパイプラインにおいて、振る舞いの多様性、制御可能性、安全性を実現する。 近距離衝突速度を89%削減し、模倣精度を低下させることなく平均報酬を32%改善する。
  論文  参考訳（メタデータ） (2026-05-30T04:17:59Z)
• Causal Forcing++: Scalable Few-Step Autoregressive Diffusion Distillation for Real-Time Interactive Video Generation [50.55853275866995]
  リアルタイムのインタラクティブなビデオ生成には、低レイテンシ、ストリーミング、コントロール可能なロールアウトが必要である。 本稿では,フレームワイドの自己回帰を1～2ステップのサンプリングで行うという,よりアグレッシブな設定について検討する。 原理的かつスケーラブルなパイプラインである textbfCausal Forcing++ を提案する。
  論文  参考訳（メタデータ） (2026-05-14T17:46:36Z)
• AnyFlow: Any-Step Video Diffusion Model with On-Policy Flow Map Distillation [70.80207977907908]
  フローマップをベースとした,最初のノンステップビデオ拡散蒸留フレームワークであるAnyFlowを紹介した。 我々は、AnyFlowがいくつかの段階において、パフォーマンスの一致を達成するか、一貫性ベースの結果を上回ることを示す。
  論文  参考訳（メタデータ） (2026-05-13T16:06:34Z)
• Rectified Schrödinger Bridge Matching for Few-Step Visual Navigation [18.319705014361908]
  視覚ナビゲーションはEmbodied AIの中核的な課題であり、自律エージェントは高次元の感覚観察を長距離行動軌跡に変換する必要がある。 我々は,シュルディンガー橋と決定論的輸送の共通速度場構造を利用するフレームワークであるRectified Schrdinger Bridge Matching (RSBM)を提案する。 RSBMはわずか3段階のトレーニングで94%以上の成功率と92%以上の成功率を達成し、高忠実度生成ポリシーとEmbodied AIの低レイテンシ要求とのギャップを著しく狭めている。
  論文  参考訳（メタデータ） (2026-04-07T10:22:27Z)
• FAVE: Flow-based Average Velocity Establishment for Sequential Recommendation [33.3202615024807]
  本稿では,フローベース平均速度設定(Fave)フレームワークを提案する。 Faveは、ターゲット分布の前に情報提供者から直接軌跡を学習する。 3つのベンチマークの実験では、Faveは最先端のレコメンデーションパフォーマンスを達成するだけでなく、推論効率のオーダー・オブ・マグニチュードの改善も実現している。
  論文  参考訳（メタデータ） (2026-04-06T05:17:43Z)
• OmniForcing: Unleashing Real-time Joint Audio-Visual Generation [51.031726911410594]
  最近のジョイントオーディオ・視覚拡散モデルは、優れた生成品質を実現するが、高いレイテンシーに悩まされる。 OmniForcingは、オフラインの双方向拡散モデルを高忠実度ストリーミングオートレジェネレータに蒸留する最初のフレームワークである。
  論文  参考訳（メタデータ） (2026-03-12T08:17:36Z)
• Dual-End Consistency Model [41.982957134224904]
  スロー反復サンプリングは拡散モデルとフローベース生成モデルの実践的展開において大きなボトルネックとなる。 本稿では,安定かつ効果的なトレーニングを実現するために,バイタルサブ軌道クラスタを選択するDual-End Consistency Model (DE-CM)を提案する。 提案手法は,ImageNet 256x256データセットの1ステップ生成において,最先端のFIDスコア1.70を達成し,既存のCMベースのワンステップアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2026-02-11T11:51:01Z)
• 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)
• Joint Distillation for Fast Likelihood Evaluation and Sampling in Flow-based Models [100.28111930893188]
  今日の最高の生成モデルの中には、単一の可能性を計算するために、数百から数千の神経機能評価を必要とするものもあります。 本研究では, 高速流動継手蒸留法 (F2D2) を提案し, サンプリングに必要なNFEの数を2桁に減らした。 F2D2はモジュール構造であり、既存のフローベースの数ステップサンプリングモデルと互換性がある。
  論文  参考訳（メタデータ） (2025-12-02T10:48:20Z)
• Unifying Sign and Magnitude for Optimizing Deep Vision Networks via ThermoLion [0.0]
  現在のパラダイムは、情報チャネルドリフトパラメータに静的な妥協を課している。 我々は「低次元」探索モデルと「低次元」動的アライメントフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-12-01T17:04:17Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Optimal Flow Matching: Learning Straight Trajectories in Just One Step [89.37027530300617]
  我々は,新しいtextbf Optimal Flow Matching (OFM) アプローチを開発し,理論的に正当化する。 これは2次輸送のための直列のOT変位をFMの1ステップで回復することを可能にする。 提案手法の主な考え方は,凸関数によってパラメータ化されるFMのベクトル場の利用である。
  論文  参考訳（メタデータ） (2024-03-19T19:44:54Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)

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。