論文の概要: Geometry-Aware Discretization Error of Diffusion Models

• arxiv url: http://arxiv.org/abs/2605.08392v1
• Date: Fri, 08 May 2026 19:02:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.611523
• Title: Geometry-Aware Discretization Error of Diffusion Models
• Title（参考訳）: 拡散モデルの幾何学的離散化誤差
• Authors: Samuel Hurault, Thomas Moreau, Gabriel Peyré,
• Abstract要約: 固定された推論予算の下では、限られた数のdenoisingステップだけを使用して、リバースタイムODEまたはSDEをシミュレートする必要がある。 既存の非漸近解析は収束保証を提供するが、一般的には拡散パラメータに敏感すぎるため、実用的な設計を導くことができない。 オイラー・丸山弱度とフレシェの離散化誤差の1次展開を導出する。
• 参考スコア（独自算出の注目度）: 24.297736470921915
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Practical diffusion sampling is a numerical approximation problem: under a fixed inference budget, one must simulate a reverse-time ODE or SDE using only a limited number of denoising steps, so discretization error is often the dominant source of error. Existing non-asymptotic analyses provide convergence guarantees, but are typically too loose and too insensitive to diffusion parameters to guide practical design: broad families of schedules receive the same rates, which depend on coarse worst-case quantities such as the dimension or the drift Lipschitz constant. We take a less ambitious but more informative route. In the exact-score setting, we derive first-order asymptotic expansions of the Euler-Maruyama weak and Fréchet discretization errors. These formulas hold for general smooth reverse diffusions and become fully explicit under Gaussian data. They show how discretization error adapts to the geometry of the data through the covariance spectrum, and how this geometry interacts with key diffusion parameters, including the diffusion schedules and the diffusion-term coefficient. This yields tractable objectives for geometry-aware parameter optimization. Finally, we show that the qualitative predictions of the Gaussian formulas remain robust across diffusion sampling problems with different geometries, including image generation on different datasets and image posterior sampling.
• Abstract（参考訳）: 実際の拡散サンプリングは数値近似問題であり、固定された推論予算の下では、限られた数のデノナイジングステップしか使用せず、逆時間ODEやSDEをシミュレートしなければならないため、離散化誤差がエラーの原因となることが多い。 既存の非漸近解析は収束保証を提供するが、一般的には拡散パラメータに過敏であり、現実的な設計を導くには拡散パラメータに過敏すぎる:広いスケジュールの族は、次元やドリフトリプシッツ定数のような粗い最悪の量に依存する同じレートを受け取る。 より野心的で、より情報に富む道をたどり着きます。 正確なスコア設定では、オイラー・丸山弱度とフレシェの離散化誤差の1次漸近展開を導出する。 これらの公式は、一般的な滑らかな逆拡散を保ち、ガウスデータの下で完全に明示される。 これらは、離散化誤差が共分散スペクトルを通してデータの幾何にどのように適応するかを示し、この幾何が拡散スケジュールや拡散期間係数を含む鍵拡散パラメータとどのように相互作用するかを示す。 これにより、幾何学的パラメータ最適化のための抽出可能な目的が得られる。 最後に,ガウス公式の定性的予測は,異なる領域の拡散サンプリング問題に対して,異なるデータセットの画像生成や画像後部サンプリングなど,頑健なままであることを示す。

関連論文リスト

• When Diffusion Model Can Ignore Dimension: An Entropy-Based Theory [2.205829309604458]
  拡散モデルは画像などの高次元データに対して極めてよく機能する。 既存の収束理論は、なぜそのようなサンプルが高次元において効率的であり続けるのかを完全には説明していない。 我々は,データ分布がコンパクトな潜在表現を持つ場合,拡散サンプリングは高次元空間で有効であることを示す。
  論文  参考訳（メタデータ） (2026-05-08T16:30:37Z)
• Fast Sampling for Flows and Diffusions with Lazy and Point Mass Stochastic Interpolants [5.492889521988414]
  任意のスケジュール下で任意の拡散係数で微分方程式(SDE)のサンプルパスを変換する方法を証明する。 次に、補間フレームワークを拡張して、より大きな点質量スケジュールのクラスを許容する。
  論文  参考訳（メタデータ） (2026-02-03T17:48:34Z)
• Polynomial Convergence of Riemannian Diffusion Models [46.72936436234762]
  拡散モデルは、現代のAIにおける最先端の生成モデルの一つと見なされている。 既存の文献の多くは、基礎となる空間はユークリッド空間であると仮定している。 多くの実践的応用において、データはユークリッド空間の部分多様体上に置かれることに制約される。
  論文  参考訳（メタデータ） (2026-01-05T19:14:09Z)
• Dimension-free error estimate for diffusion model and optimal scheduling [22.20348860913421]
  拡散生成モデルは、経験的に観察された分布から合成データを生成するための強力なツールとして登場した。 従来の分析では、生成したデータと真のデータ分布の誤差を、ワッサーシュタイン距離やクルバック・リーバーの偏差の観点から定量化していた。 本研究では, 生成したデータ分布と真のデータ分布との相違点に有意な次元自由境界を導出する。
  論文  参考訳（メタデータ） (2025-12-01T15:58:20Z)
• Toward a Unified Geometry Understanding: Riemannian Diffusion Framework for Graph Generation and Prediction [35.32637440221007]
  GeoMancerは複雑なグラフデータの分散を学ぶための新しいフレームワークである。 非条件生成のための多様体制約拡散法と自己誘導戦略を導入する。 実験は我々のアプローチの有効性を検証し、様々なタスクにまたがって優れた性能を示す。
  論文  参考訳（メタデータ） (2025-10-06T06:29:49Z)
• EquiReg: Equivariance Regularized Diffusion for Inverse Problems [67.01847869495558]
  拡散に基づく逆問題解法における後方サンプリングを正規化するためのフレームワークであるEquiReg拡散法を提案する。 様々な解法に適用すると、EquiRegは線形および非線形画像復元タスクにおいて最先端の拡散モデルより優れる。
  論文  参考訳（メタデータ） (2025-05-29T01:25:43Z)
• Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
  本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。 画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
  論文  参考訳（メタデータ） (2023-11-02T02:05:38Z)
• Scaling Riemannian Diffusion Models [68.52820280448991]
  非自明な多様体上の高次元タスクにスケールできることを示す。 我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
  論文  参考訳（メタデータ） (2023-10-30T21:27:53Z)
• On Error Propagation of Diffusion Models [77.91480554418048]
  DMのアーキテクチャにおける誤り伝播を数学的に定式化するための理論的枠組みを開発する。 累積誤差を正規化項として適用して誤差伝搬を低減する。 提案した正規化はエラーの伝播を低減し,バニラDMを大幅に改善し,以前のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-08-09T15:31:17Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)

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。