論文の概要: A Few-Step Generative Model on Cumulative Flow Maps
- arxiv url: http://arxiv.org/abs/2605.03623v1
- Date: Tue, 05 May 2026 10:51:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:43.903071
- Title: A Few-Step Generative Model on Cumulative Flow Maps
- Title（参考訳）: 累積フローマップにおける数ステップ生成モデル
- Authors: Zhiqi Li, Duowen Chen, Yuchen Sun, Bo Zhu,
- Abstract要約: 確率空間における長距離輸送のためのエンファンキュラティブフローマップに基づく,統一的で数段階の生成モデリングフレームワークを提案する。
コアとなるのは累積フローの抽象化で、ローカル、即時のアップデートと有限時間転送を接続する。
画像生成,幾何分布モデリング,共同予測,SDF生成など,様々なタスクにまたがる効果を示す。
- 参考スコア（独自算出の注目度）: 25.03991490159211
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a unified, few-step generative modeling framework based on \emph{cumulative flow maps} for long-range transport in probability space, inspired by flow-map techniques for physical transport and dynamics. At its core is a cumulative-flow abstraction that connects local, instantaneous updates with finite-time transport, enabling generative models to reason about global state transitions. This perspective yields a unified few-step framework built on cumulative transport and \revise{cumulative} parameterization that applies broadly to existing diffusion- and flow-based models without being tied to a specific prediction \revise{instantiation}. Our formulation supports few-step and even one-step generation while preserving synthesis quality, requiring only minimal changes to time embeddings and training objectives, and no increase in model capacity. We demonstrate its effectiveness across diverse tasks, including image generation, geometric distribution modeling, joint prediction, and SDF generation, with reduced inference cost.
- Abstract（参考訳）: 本稿では,確率空間における長距離輸送のための「emph{cumulative flow map}」に基づく,物理輸送とダイナミクスのためのフローマップ技術に着想を得た,統一的で数段階の生成モデルフレームワークを提案する。
中心となるのは累積フローの抽象化で、局所的な即時更新と有限時間輸送を結び、生成モデルがグローバルな状態遷移を推論できるようにする。
この観点では、累積輸送と \revise{cumulative} パラメータ化に基づいて構築された統一された数段階のフレームワークが、特定の予測である \revise{instantiation} に縛られることなく、既存の拡散およびフローベースモデルに広く適用される。
我々の定式化は、合成品質を維持しながら、わずかなステップと1ステップの生成をサポートし、時間埋め込みとトレーニング目標への最小限の変更しか必要とせず、モデル容量が増加しない。
我々は,画像生成,幾何分布モデリング,共同予測,SDF生成など様々なタスクにおいて,推論コストを低減して有効性を示す。
関連論文リスト
- Y-shaped Generative Flows [23.602025081791187]
我々は,Y字型生成フローを導入し,確率質量を分岐前の共有経路に沿って移動させる。
合成、画像、生物学のデータセットでは、Yフローは階層構造を回復し、強いフローベースのベースラインを越えて分散メトリクスを改善し、より少ない統合ステップでターゲットに到達する。
論文 参考訳（メタデータ） (2025-10-13T21:33:37Z) - Transport Based Mean Flows for Generative Modeling [19.973366424307077]
フローマッチング生成モデルは、連続データ生成の強力なパラダイムとして現れています。
これらのモデルは、多数のシーケンシャルサンプリングステップを必要とするため、推論が遅い。
最近の研究はサンプリングステップの数を減らして推論を加速させようとしている。
論文 参考訳（メタデータ） (2025-09-26T17:12:19Z) - Align Your Flow: Scaling Continuous-Time Flow Map Distillation [63.927438959502226]
フローマップは、任意の2つのノイズレベルを1ステップで接続し、すべてのステップカウントで有効に保ちます。
画像生成ベンチマークにおいて、Align Your Flowと呼ばれるフローマップモデルを広範囲に検証する。
テキスト条件付き合成において、既存の非横断的訓練された数ステップのサンプルよりも優れたテキスト間フローマップモデルを示す。
論文 参考訳（メタデータ） (2025-06-17T15:06:07Z) - FlowMo: Variance-Based Flow Guidance for Coherent Motion in Video Generation [51.110607281391154]
FlowMoは、テキスト・ビデオ・モデルにおける動きコヒーレンスを高めるためのトレーニング不要のガイダンス手法である。
時間次元のパッチワイドな分散を測定して動きのコヒーレンスを推定し、サンプリング中にこの分散を動的に減少させるためにモデルを導く。
論文 参考訳（メタデータ） (2025-06-01T19:55:33Z) - Minibatch Optimal Transport and Perplexity Bound Estimation in Discrete Flow Matching [0.0]
テキストデータなどの分類データ分布における自己回帰モデルの性能は、連続拡散とフローモデルでは依然として困難である。
対流補間剤を用いた離散流に対する動的最適輸送様最小化法を提案する。
連続フローとは異なり、変数の即時変化は密度推定を可能にするが、離散モデルは固有の非決定性や経路の不連続性のために同様のメカニズムを欠いている。
論文 参考訳（メタデータ） (2024-11-01T17:35:09Z) - Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳（メタデータ） (2023-10-11T18:38:28Z) - Data-driven low-dimensional dynamic model of Kolmogorov flow [0.0]
流れのダイナミクスを捉える低次モデル (ROM) はシミュレーションの計算コストの削減に重要である。
この研究は、フローのダイナミクスと特性を効果的にキャプチャする最小次元モデルのためのデータ駆動フレームワークを示す。
我々はこれをカオス的かつ断続的な行動からなる体制におけるコルモゴロフ流に適用する。
論文 参考訳（メタデータ） (2022-10-29T23:05:39Z)
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。