論文の概要: Sharpen Your Flow: Sharpness-Aware Sampling for Flow Matching

• arxiv url: http://arxiv.org/abs/2605.11547v1
• Date: Tue, 12 May 2026 05:22:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.599641
• Title: Sharpen Your Flow: Sharpness-Aware Sampling for Flow Matching
• Title（参考訳）: フローのシャープ化:フローマッチングのためのシャープネス対応サンプリング
• Authors: Aditi Gupta, Soon Hoe Lim, Annan Yu, N. Benjamin Erichson,
• Abstract要約: フローマッチングモデルは、学習速度場を数値的に統合してサンプルを生成する。 主な問題は、フローをどのように統合するかだけでなく、サンプルラーはそのステップをどこで使うべきかである。 我々は、事前訓練されたモデルをオフラインでプロファイルする、トレーニング不要のサンプルラであるSharpEulerを提案する。
• 参考スコア（独自算出の注目度）: 14.19197444541245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow matching models generate samples by numerically integrating a learned velocity field, with each integration step requiring a neural network evaluation. Fast generation therefore requires using a small fixed evaluation budget effectively: the key question is not only how to integrate the flow, but where the sampler should spend its steps. We propose SharpEuler, a training-free sampler that profiles a pretrained model offline by estimating where the learned velocity field changes most rapidly along calibration trajectories. This finite-difference estimate defines a solver-aware sharpness profile, which is smoothed and converted by a quantile transform into a timestep grid for any desired inference budget. At test time, sampling remains ordinary Euler integration with the same number of model evaluations as a uniform schedule. We justify SharpEuler using three principles: a numerical principle identifying trajectory acceleration as the leading source of Euler discretization error, a variational principle deriving sharpness-based power-law timestep densities, and a statistical guarantee showing that the finite-sample calibrated sampler is stable at the terminal distribution level. Our experiments show that SharpEuler improves sample quality at fixed budgets, reducing inter-mode leakage and increasing mode coverage.
• Abstract（参考訳）: フローマッチングモデルは、学習した速度場を数値的に統合し、ニューラルネットワークの評価を必要とする各積分ステップでサンプルを生成する。 重要な疑問は、フローをどのように統合するかだけでなく、サンプルがどこでステップを踏むべきかである。 本研究では,学習速度場がキャリブレーション軌道に沿って最も高速に変化する場所を推定することにより,事前学習したモデルをオフラインでプロファイルする,訓練不要のサンプル装置SharpEulerを提案する。 この有限差分推定は、任意の所望の推論予算に対して、量子変換によって滑らか化され、タイムステップグリッドに変換されるソルバ対応のシャープネスプロファイルを定義する。 テスト時には、サンプリングは通常のオイラー積分のままであり、同じ数のモデル評価と均一なスケジュールが続く。 我々はSharpEulerを3つの原理を用いて正当化する: 軌道加速度をオイラー離散化誤差の主源として同定する数値原理、シャープネスに基づくパワー・ルールのタイムステップ密度を導出する変分原理、有限サンプルキャリブレーションされたサンプリングが終端分布レベルで安定であることを示す統計的保証である。 実験の結果,SharpEulerは一定の予算でサンプル品質を向上し,モード間リークを低減し,モードカバレッジを向上することがわかった。

関連論文リスト

• Training-Free Refinement of Flow Matching with Divergence-based Sampling [17.850801452423074]
  Flow Divergence Sampler (FDS)は、各ソルバステップの前に中間状態を洗練するトレーニング不要のフレームワークである。 FDSは、このシグナルを利用して、よりあいまいな領域に向けて州を操る。 標準のソルバやオフザシェルフフローバックボーンと互換性のあるプラグイン・アンド・プレイのフレームワークとして、FDSは、さまざまな世代のタスクにおける忠実さを一貫して改善する。
  論文  参考訳（メタデータ） (2026-04-06T12:54:58Z)
• 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)
• One-Step Diffusion Samplers via Self-Distillation and Deterministic Flow [24.67443222055996]
  既存のサンプリングアルゴリズムは通常、高品質なサンプルを作成するために多くの反復的なステップを必要とする。 ステップ条件のODEを学習する1ステップ拡散サンプリング器を提案する。 標準のELBO推定値が数ステップで劣化するのは、よく見られる離散的な収差が前方/後方遷移カーネルと一致していないためである。
  論文  参考訳（メタデータ） (2025-12-04T20:57:53Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• Flow Straighter and Faster: Efficient One-Step Generative Modeling via MeanFlow on Rectified Trajectories [14.36205662558203]
  Rectified MeanFlowは、単一のリフローステップのみを使用して、修正された軌道に沿った平均速度場をモデル化するフレームワークである。 64、256、および512の解像度でのImageNetの実験では、Re-MeanFlowは、サンプルの品質とトレーニング効率の両方で、一段階の蒸留法とRectified Flow法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-28T16:50:08Z)
• Gaussian Mixture Flow Matching Models [63.092956669059824]
  拡散モデルは正規分布をガウス平均として近似し,その平均を推定する一方,フローマッチングモデルはガウス平均をフロー速度としてパラメータ化する。 離散化誤差による数段階のサンプリングでは性能が低下し、分類器フリーガイダンス(CFG)では過飽和色が生じる傾向にある。 本稿では,CFGの過飽和問題を緩和し,画像生成品質を向上する新しい確率的ガイダンス手法を提案する。
  論文  参考訳（メタデータ） (2025-04-07T17:59:42Z)
• Neural Flow Samplers with Shortcut Models [19.81513273510523]
  連続フローベースのニューラルサンプリングは、非正規化された密度からサンプルを生成するための有望なアプローチを提供する。 速度駆動型Sequential Monte Carlo法を用いて,これらの課題量に対する改良された推定器を提案する。 提案するニューラルフローショートカットサンプリングは,合成データセットと複雑なnボディシステムターゲットの両方において,既存のフローベースニューラルサンプリングよりも経験的に優れている。
  論文  参考訳（メタデータ） (2025-02-11T07:55:41Z)
• Towards More Accurate Diffusion Model Acceleration with A Timestep Tuner [112.99126045081046]
  数千のデノナイジングステップを用いて画像を生成するために定式化された拡散モデルは通常、遅い推論速度に悩まされる。 最小コストで特定の区間に対してより正確な積分方向を求めるのに役立つtextbftimestep tunerを提案する。 実験により,我々のプラグイン設計を効率的に訓練し,様々な最先端加速度法の推論性能を向上できることが示された。
  論文  参考訳（メタデータ） (2023-10-14T02:19:07Z)

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。