論文の概要: On the Robustness of Distribution Support under Diffusion Guidance

• arxiv url: http://arxiv.org/abs/2605.07220v1
• Date: Fri, 08 May 2026 04:12:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.794672
• Title: On the Robustness of Distribution Support under Diffusion Guidance
• Title（参考訳）: 拡散誘導下における配電支援のロバスト性について
• Authors: Ruijia Cao, Yuchen Wu, Nisha Chadramoorthy,
• Abstract要約: 拡散誘導は拡散モデルを用いた制御可能かつ高忠実な試料生成を可能にする強力な技術である。 スコア関数の正確なアクセスを前提として、誘導拡散過程は、ほぼ常に目標支援に近づき続けるサンプルを生成する。 支持体から外れたサンプルは、しばしば構造的に不明瞭であり、下流のタスクに悪影響を及ぼす可能性があるため、この特性は特に望ましい。
• 参考スコア（独自算出の注目度）: 4.298880233819988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion guidance is a powerful technique that enables controllable and high-fidelity sample generation with diffusion models. At a high level, it modifies the score function by incorporating a guidance term that steers the generative process toward a desired condition. Despite its empirical success, the theoretical properties of diffusion guidance remain largely unexplored, and it is not well understood why it consistently produces high-quality samples. In this work, we explain the effectiveness of diffusion guidance by establishing a \emph{robustness of support} property. Specifically, we show that, given exact access to the score functions, guided diffusion processes almost always generate samples that remain close to the target support. This property is particularly desirable, as samples that lie off the support are often structurally implausible and may adversely affect downstream tasks. Our analysis covers both Denoising Diffusion Implicit Models (DDIM) and Denoising Diffusion Probabilistic Models (DDPM), and applies to a wide range of discretization schemes induced by exponential integrators. Our results provide a rigorous foundation for understanding why diffusion guidance produces physically meaningful and structurally plausible samples.
• Abstract（参考訳）: 拡散誘導は拡散モデルを用いた制御可能かつ高忠実な試料生成を可能にする強力な技術である。 高いレベルでは、所望の条件に向けて生成過程を操縦するガイダンス項を組み込むことでスコア関数を変更する。 実験的な成功にもかかわらず、拡散誘導の理論的性質はほとんど解明されておらず、なぜ常に高品質なサンプルを生産するのかはよく分かっていない。 本稿では, 拡散誘導の有効性を, 支持のemph{robustness of support}プロパティを確立することによって説明する。 具体的には、スコア関数の正確なアクセスを前提として、誘導拡散過程は、ほぼ常に目標支援に近づき続けるサンプルを生成することを示す。 支持体から外れたサンプルは、しばしば構造的に不明瞭であり、下流のタスクに悪影響を及ぼす可能性があるため、この特性は特に望ましい。 本分析では,DIM(Denoising Diffusion Implicit Models)とDDPM(Denoising Diffusion Probabilistic Models)の両方を対象とし,指数積分器によって誘導される幅広い離散化スキームに適用する。 本研究は,拡散誘導が物理的に有意かつ構造的に有意な試料をなぜ生み出すのかを理解するための厳密な基盤を提供する。

関連論文リスト

• Provable Efficiency of Guidance in Diffusion Models for General Data Distribution [7.237817437521988]
  拡散モデルは、生成モデリングの強力なフレームワークとして登場した。 ガイダンス技術は、サンプルの品質を高める上で重要な役割を担っている。 既存の研究は、各クラスで条件付けられた分布が等方的ガウス的であるか、余剰条件のある一次元間隔で支持されるケーススタディのみに焦点を当てている。
  論文  参考訳（メタデータ） (2025-05-02T16:46:43Z)
• What does guidance do? A fine-grained analysis in a simple setting [19.51972040691315]
  誘導の力学を2つのケースで詳細に解析する。 非ゼロレベルのスコア推定誤差に対して、十分な大きなガイダンスがサポートからのサンプリングにつながることを証明します。
  論文  参考訳（メタデータ） (2024-09-19T20:16:33Z)
• Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian Mixture Models [59.331993845831946]
  拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。 本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
  論文  参考訳（メタデータ） (2024-03-03T23:15:48Z)
• Semi-Implicit Denoising Diffusion Models (SIDDMs) [50.30163684539586]
  Denoising Diffusion Probabilistic Models (DDPM)のような既存のモデルは、高品質で多様なサンプルを提供するが、本質的に多くの反復的なステップによって遅くなる。 暗黙的要因と明示的要因を一致させることにより、この問題に対処する新しいアプローチを導入する。 提案手法は拡散モデルに匹敵する生成性能と,少数のサンプリングステップを持つモデルに比較して非常に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-06-21T18:49:22Z)
• Diffusion Models are Minimax Optimal Distribution Estimators [49.47503258639454]
  拡散モデリングの近似と一般化能力について、初めて厳密な分析を行った。 実密度関数がベソフ空間に属し、経験値整合損失が適切に最小化されている場合、生成したデータ分布は、ほぼ最小の最適推定値が得られることを示す。
  論文  参考訳（メタデータ） (2023-03-03T11:31:55Z)
• DensePure: Understanding Diffusion Models towards Adversarial Robustness [110.84015494617528]
  拡散モデルの特性を解析し,それらが証明された堅牢性を高める条件を確立する。 事前訓練されたモデル(すなわち分類器)の信頼性向上を目的とした新しいDensePure法を提案する。 このロバストな領域は多重凸集合の和であり、以前の研究で特定されたロバストな領域よりもはるかに大きい可能性が示されている。
  論文  参考訳（メタデータ） (2022-11-01T08:18:07Z)
• Diffusion-GAN: Training GANs with Diffusion [135.24433011977874]
  GAN(Generative Adversarial Network)は、安定してトレーニングすることが難しい。 フォワード拡散チェーンを利用してインスタンスノイズを生成する新しいGANフレームワークであるDiffusion-GANを提案する。 我々は,Diffusion-GANにより,最先端のGANよりも高い安定性とデータ効率で,よりリアルな画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2022-06-05T20:45:01Z)

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。