論文の概要: Normalizing Trajectory Models

• arxiv url: http://arxiv.org/abs/2605.08078v2
• Date: Tue, 12 May 2026 22:42:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 17:13:58.799089
• Title: Normalizing Trajectory Models
• Title（参考訳）: 軌道模型の正規化
• Authors: Jiatao Gu, Tianrong Chen, Ying Shen, David Berthelot, Shuangfei Zhai, Josh Susskind,
• Abstract要約: 正規化軌道モデル(NTM)を導入する NTMは、それぞれの逆ステップを、正確な確度トレーニングを伴う表現的条件正規化フローとしてモデル化する。 テキスト・ツー・イメージのベンチマークでは、NTMは4つのサンプリングステップで強力な画像生成ベースラインにマッチする。
• 参考スコア（独自算出の注目度）: 36.48526680200944
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion-based models decompose sampling into many small Gaussian denoising steps -- an assumption that breaks down when generation is compressed to a few coarse transitions. Existing few-step methods address this through distillation, consistency training, or adversarial objectives, but sacrifice the likelihood framework in the process. We introduce Normalizing Trajectory Models (NTM), which models each reverse step as an expressive conditional normalizing flow with exact likelihood training. Architecturally, NTM combines shallow invertible blocks within each step with a deep parallel predictor across the trajectory, forming an end-to-end network trainable from scratch or initializable from pretrained flow-matching models. Its exact trajectory likelihood further enables self-distillation: a lightweight denoiser trained on the model's own score produces high-quality samples in four steps. On text-to-image benchmarks, NTM matches or outperforms strong image generation baselines in just four sampling steps while uniquely retaining exact likelihood over the generative trajectory.
• Abstract（参考訳）: 拡散に基づくモデルは、サンプリングを多くの小さなガウスの分解ステップに分解する -- 生成がいくつかの粗い遷移に圧縮されたときに分解される仮定。 既存の数段階の方法は、蒸留、一貫性のトレーニング、あるいは敵の目標を通じてこの問題に対処するが、プロセスにおける可能性の枠組みを犠牲にする。 そこで我々は,各ステップの逆ステップを,正確な精度のトレーニングで表現的条件付き正規化フローとしてモデル化する正規化軌道モデル(NTM)を提案する。 アーキテクチャ的には、NTMは各ステップ内の浅い非可逆ブロックと軌道を横断する深い並列予測器を結合し、スクラッチからトレーニング可能なエンドツーエンドネットワークや、事前訓練されたフローマッチングモデルから初期化可能なネットワークを形成する。 モデル自身のスコアに基づいて訓練された軽量デノイザーは、4ステップで高品質なサンプルを生成する。 テキスト・ツー・イメージのベンチマークでは、NTMは4つのサンプリングステップで強力な画像生成ベースラインにマッチまたは性能を向上すると同時に、生成軌跡に対する正確な確率を独自に保持する。

関連論文リスト

• 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)
• One Step Diffusion via Shortcut Models [109.72495454280627]
  単一ネットワークとトレーニングフェーズを用いて高品質なサンプルを生成する,生成モデルのファミリであるショートカットモデルを導入する。 ショートカットモデルは、現在のノイズレベルと所望のステップサイズにネットワークを条件付け、生成プロセスでモデルをスキップすることができる。 蒸留と比較して、ショートカットモデルは複雑性を1つのネットワークとトレーニングフェーズに減らし、推論時に様々なステップ予算を許容する。
  論文  参考訳（メタデータ） (2024-10-16T13:34:40Z)
• 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)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)

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。