論文の概要: Anomaly-Preference Image Generation

• arxiv url: http://arxiv.org/abs/2605.02439v1
• Date: Mon, 04 May 2026 10:37:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.241389
• Title: Anomaly-Preference Image Generation
• Title（参考訳）: 異常参照画像生成
• Abstract要約: 本稿では,Anomaly Preference Optimizationを導入する。Anomaly Preference Optimizationは,Anomaly Generationを優先学習問題として再構成する新しいパラダイムである。 我々は,本手法が既存のベースラインを著しく上回り,現実主義と多様性の両面で最先端のパフォーマンスを実現していることを示す。
• 参考スコア（独自算出の注目度）: 41.96735569500412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthesizing realistic and diverse anomalous samples from limited data is vital for robust model generalization. However, existing methods struggle to reconcile fidelity and diversity, often hampered by distribution misalignment and overfitting, respectively.To mitigate this, we introduce Anomaly Preference Optimization,a novel paradigm that reformulates anomaly generation as a preference learning problem.Central to our approach is an implicit preference alignment mechanism that leverages real anomalies as positive references, deriving optimization signals directly from denoising trajectory deviations without requiring costly human annotation. Furthermore, we propose a Time-Aware Capacity Allocation module that dynamically distributes model capacity along the diffusion timeline,prioritizing structural diversity during highnoise phases while enhancing fine-grained fidelity in low-noise stages. During inference, a hierarchical sampling strategy modulates the coherencealignment trade-off, enabling precise control over generation. Extensive experiments demonstrate that significantly outperforms existing baselines,achieving state-of-the-art performance in both realism and diversity.
• Abstract（参考訳）: 限られたデータから現実的で多様な異常サンプルを合成することは、堅牢なモデル一般化に不可欠である。 しかし, 従来の手法では, 分布の不整合や過度な適合によってしばしば抑制されるフィデリティや多様性の調整に苦慮しており, これを緩和するために, 異常生成を優先学習問題として再構成する新パラダイム「異常選好最適化」を導入している。 さらに,拡散時間に沿ってモデルキャパシティを動的に分散し,高調波相における構造的多様性を優先し,低調波相における細粒度忠実度を向上するTime-Aware Capacity Allocationモジュールを提案する。 推論中、階層的なサンプリング戦略はコヒーレンス調整のトレードオフを変調し、生成の正確な制御を可能にする。 大規模な実験は、既存のベースラインを著しく上回り、現実主義と多様性の両方において最先端のパフォーマンスを達成することを示した。

関連論文リスト

• Curvature-Adaptive Consistency Flow Matching: Autonomous Trajectory Optimization via Reinforcement Learning [8.422673935994451]
  連続蒸留は拡散モデルの推論を 著しく加速させました 本稿では,静的サンプリングの限界に対処するため,曲率適応整合フローマッチングを提案する。 提案手法は,FLUXやSDXLといった大規模モデルに対して,最新の結果を実現する。
  論文  参考訳（メタデータ） (2026-06-21T08:49:50Z)
• Decoupled Latent Optimization of Diffusion Models for Full Waveform Inversion [4.293965179144764]
  フルウェーブフォーム・インバージョン(FWI)は、高度に不規則な2次PDE速度最適化を解くことで、記録から地下の速度を回復する。 最近の拡散優先法は、標準定式化と事前整合性の間の脆弱なトレードオフを犠牲にして現実性を改善する。 そこで本稿では,潜時費用目標を補助的物理変数と潜時変数に対する潜時費用目標に緩和するDe Latent Optimization (DLO)を提案する。 OpenFWIベンチマークでは、DLOは古典的正規化器や既存の拡散ベースのメソッドよりもクリーンでノイズがあり、トラスが不足している。
  論文  参考訳（メタデータ） (2026-06-12T05:55:10Z)
• Embedding-perturbed Exploration Preference Optimization for Flow Models [23.146684617048674]
  本稿では,埋め込みレベルの摂動による最適化を実現する新しいフレームワークを提案する。 提案手法は, 試料群内における構造的, 埋め込みレベルの摂動を導入し, 安定な分散を保証している。 我々のアプローチは最先端のベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2026-05-15T09:56:40Z)
• Inference-Time Attribute Distribution Alignment for Unconditional Diffusion [54.28942858023809]
  我々は、事前訓練された非条件拡散モデルに対する推論時属性分布アライメント問題を定式化する。 そこで本研究では,逆拡散過程に対する最適制御問題として,推定時属性分布アライメントを適用した。 最適制御に基づくアルゴリズムを用いて分散マッチングの最適化を行う。
  論文  参考訳（メタデータ） (2026-05-08T09:02:47Z)
• Few-Step Diffusion Sampling Through Instance-Aware Discretizations [16.93105640007355]
  正規あるいは微分方程式(ODEs/SDEs)で定義される経路をシミュレートして拡散・流れマッチングモデルにより高忠実度データを生成する 本稿では、入力依存の事前情報に基づいてタイムステップアロケーションを適応させることを学習する、インスタンス対応の離散化フレームワークを提案する。 提案手法は,トレーニングや無視可能な推論オーバーヘッドと比較して,限界チューニングコストで生成品質を継続的に向上する。
  論文  参考訳（メタデータ） (2026-03-18T12:49:38Z)
• Unifying Model-Free Efficiency and Model-Based Representations via Latent Dynamics [6.208369829942616]
  我々は,新しい強化学習アルゴリズムであるUnified Latent Dynamics (ULD)を提案する。 ULDはモデルベースアプローチの表現力でモデルフリー手法の効率を統一する。 Gymロコモーション、DeepMind Control(プロセプティブおよびビジュアル)、Atariにまたがる80環境での評価を行った。
  論文  参考訳（メタデータ） (2026-02-13T06:06:56Z)
• Divergence Minimization Preference Optimization for Diffusion Model Alignment [66.31417479052774]
  Divergence Minimization Preference Optimization (DMPO) は、逆KL分散を最小化して拡散モデルを整列する原理的手法である。 DMPOは、異なるベースモデルとテストセットで既存のテクニックを一貫して上回り、適合させることができる。
  論文  参考訳（メタデータ） (2025-07-10T07:57:30Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Exploiting Diffusion Prior for Real-World Image Super-Resolution [75.5898357277047]
  本稿では,事前学習したテキスト・画像拡散モデルにカプセル化された事前知識を視覚的超解像に活用するための新しいアプローチを提案する。 時間認識エンコーダを用いることで、事前学習した合成モデルを変更することなく、有望な復元結果が得られる。
  論文  参考訳（メタデータ） (2023-05-11T17:55:25Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)

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。