論文の概要: Physical Fidelity Reconstruction via Improved Consistency-Distilled Flow Matching for Dynamical Systems

• arxiv url: http://arxiv.org/abs/2605.05975v1
• Date: Thu, 07 May 2026 10:20:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.695437
• Title: Physical Fidelity Reconstruction via Improved Consistency-Distilled Flow Matching for Dynamical Systems
• Title（参考訳）: 動的システムの整合性改善による物理忠実度復元
• Authors: Sicheng Ma, Tianyue Yang, Xiuzhe Wu, Xiao Xue,
• Abstract要約: 本研究では,高速な科学的フロー再構成のためのコンパクトなワンステップモデルに高忠実なフローマッチング生成モデルを圧縮できるかどうかを考察する。 提案手法は, 最適流路整合型教師を1ステップの整合性モデルに抽出する。 輸送路沿いのノイズ観測から生成軌道を初期化することにより,低忠実度観測を推論時に組み込む。
• 参考スコア（独自算出の注目度）: 3.692960109077297
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing high-fidelity flow fields from low-fidelity observations is a central problem in scientific machine learning, yet recent diffusion and flow-matching models typically rely on iterative sampling, making them costly for latency-sensitive workflows such as ensemble forecasting, real-time visualization, and simulation-in-the-loop inference. We study whether a high-fidelity flow-matching generative model can be compressed into a compact one-step model for fast scientific flow reconstruction. Our approach distills an optimal-transport flow-matching teacher into a one-step consistency model. Low-fidelity observations are incorporated at inference by initializing the generative trajectory from a noised observation along the transport path, allowing an unconditional high-fidelity flow model to perform conditional reconstruction without retraining the teacher. We evaluate this distillation strategy on three fluid benchmarks, Smoke Buoyancy, Turbulent Channel Flow, and Kolmogorov Flow, using coarse-to-fine reconstruction as a controlled testbed at field sizes up to $256 \times 256$. Across these settings, the distilled student retains similar performance of the teacher's model on spectrum metrics, while using roughly half as many parameters and achieving a $12\times$ inference speedup over the flow-matching teacher. Under the same training budget, the distilled student also outperforms a one-step consistency model trained directly from scratch by $23.1\%$ in SSIM, showing that teacher distillation improves training efficiency rather than merely accelerating sampling. These results suggest a promising route for turning future high-capacity scientific generative models into compact reconstruction models that are faster to train, cheaper to run, and easier to deploy.
• Abstract（参考訳）: 低忠実度観測から高忠実度フローフィールドを再構築することは、科学的な機械学習における中心的な問題であるが、最近の拡散とフローマッチングモデルは一般的に反復サンプリングに依存しており、アンサンブル予測、リアルタイム可視化、ループ内シミュレーションのような遅延に敏感なワークフローにコストがかかる。 本研究では,高速な科学的フロー再構成のためのコンパクトなワンステップモデルに高忠実なフローマッチング生成モデルを圧縮できるかどうかを考察する。 提案手法は, 最適流路整合型教師を1ステップの整合性モデルに抽出する。 低忠実度観測は、輸送経路に沿ったノイズ観測から生成軌跡を初期化し、教師を再訓練することなく、無条件の高忠実度流れモデルで条件付き再構築を行うことにより、推論時に組み込まれる。 本研究では, この蒸留戦略をスモーク浮力, 乱流流, コルモゴロフ流の3つの試験片を用いて評価した。 これらの設定全体にわたって、蒸留された学生は、約半分のパラメータを使用し、フローマッチングの教師よりも12\times$の推論スピードアップを達成する一方で、スペクトル測定における教師のモデルと同じようなパフォーマンスを維持している。 同じ訓練予算の下で、蒸留された学生は、SSIMにおいて、スクラッチから直接訓練された一段階の一貫性モデルを23.1\%で上回り、教師の蒸留は、サンプリングを単に加速するのではなく、トレーニング効率を向上することを示した。 これらの結果は、将来の高容量科学的生成モデルを、より高速で、より安価で、より展開しやすい、コンパクトな再構築モデルに変えるための、有望な道筋を示唆している。

関連論文リスト

• 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)
• FlowSteer: Guiding Few-Step Image Synthesis with Authentic Trajectories [82.90132015584359]
  ReFlowはフローマッチングと理論的に整合性があるが、現実的なシナリオでは最適ではない。 本研究では,ReFlowをベースとした蒸留手法であるFlowSteerを提案する。
  論文  参考訳（メタデータ） (2025-11-24T07:13:23Z)
• 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)
• Mean Flows for One-step Generative Modeling [64.4997821467102]
  本稿では,一段階生成モデリングのための原理的かつ効果的なフレームワークを提案する。 ニューラルネットワークトレーニングのガイドには,平均速度と瞬時速度を適切に定義したアイデンティティが導出され,使用される。 提案手法はMeanFlowモデルと呼ばれ,自己完結型であり,事前学習,蒸留,カリキュラム学習は不要である。
  論文  参考訳（メタデータ） (2025-05-19T17:59:42Z)
• Analyzing and Mitigating Model Collapse in Rectified Flow Models [23.568835948164065]
  近年の研究では、自己生成サンプルの繰り返しトレーニングがモデル崩壊につながることが示されている。 拡散流モデルにおけるMCに対処するための理論的解析と実用的な解を提供する。 本稿では,Real-data Augmented Reflowと一連の改良型を提案する。
  論文  参考訳（メタデータ） (2024-12-11T08:05:35Z)
• FlowTurbo: Towards Real-time Flow-Based Image Generation with Velocity Refiner [70.90505084288057]
  フローベースモデルはサンプリングプロセス中により直線的なサンプリング軌道を生成する傾向にある。 擬似修正器やサンプル認識コンパイルなどいくつかの手法を導入し,推論時間をさらに短縮する。 FlowTurboはImageNet上で100(ms/img)で2.12FID、38(ms/img)で3.93FIDに達する
  論文  参考訳（メタデータ） (2024-09-26T17:59:51Z)
• Improving Consistency Models with Generator-Augmented Flows [16.049476783301724]
  一貫性モデルは、ニューラルネットワークの単一前方通過におけるスコアベース拡散の多段階サンプリングを模倣する。 それらは、一貫性の蒸留と一貫性のトレーニングの2つの方法を学ぶことができる。 本稿では,一貫性モデルから得られたノイズデータを対応する出力へ転送する新しい流れを提案する。
  論文  参考訳（メタデータ） (2024-06-13T20:22:38Z)
• Flow map matching with stochastic interpolants: A mathematical framework for consistency models [15.520853806024943]
  フローマップマッチングは、基礎となる生成モデルの2時間フローマップを学ぶための原則化されたフレームワークである。 FMMは,高速サンプリングのための既存手法の幅広いクラスを統一し,拡張することを示す。
  論文  参考訳（メタデータ） (2024-06-11T17:41:26Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)

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。