論文の概要: DriftXpress: Faster Drifting Models via Projected RKHS Fields

• arxiv url: http://arxiv.org/abs/2605.12183v1
• Date: Tue, 12 May 2026 14:26:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.923156
• Title: DriftXpress: Faster Drifting Models via Projected RKHS Fields
• Title（参考訳）: DriftXpress:プロジェクションされたRKHSフィールドによる高速ドリフトモデル
• Authors: Ali Falahati, Elliot Creager, Gautam Kamath, Shubhankar Mohapatra,
• Abstract要約: DriftXpressは、RKHS場に基づくドリフトモデルの加速定式化である。 原ドリフトフィールドのアトラクション・反発構造を保ちながら, フィールド評価のコストを低減させる。 画像生成ベンチマーク全体では、DriftXpressは標準的なドリフトに匹敵するFIDを実現し、ウォールクロックのトレーニングコストを削減している。
• 参考スコア（独自算出の注目度）: 7.80855192041271
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drifting Models have emerged as a new paradigm for one-step generative modeling, achieving strong image quality without iterative inference. The premise is to replace the iterative denoising process in diffusion models with a single evaluation of a generator. However, this creates a different trade-off: drifting reduces inference cost by moving much of the computation into training. We introduce DriftXpress, an accelerated formulation of drifting models based on projected RKHS fields. DriftXpress approximates the drifting kernel in a low-rank feature space. This preserves the attraction-repulsion structure of the original drifting field while reducing the cost of field evaluation. Across image-generation benchmarks, DriftXpress achieves comparable FID to standard drifting while reducing wall-clock training cost. These results show that the training-inference trade-off of drifting models can be pushed further without giving up their one-step inference advantage.
• Abstract（参考訳）: ドリフトモデルが一段階生成モデリングの新しいパラダイムとして登場し、反復推論なしで強力な画像品質を実現している。 この前提は、拡散モデルにおける反復的復調過程をジェネレータの単一評価に置き換えることである。 しかし、これは異なるトレードオフを生み出します。ドリフトは、多くの計算をトレーニングに移すことで、推論コストを削減します。 我々は、投影されたRKHS場に基づくドリフトモデルの加速定式化であるDriftXpressを紹介する。 DriftXpressは、ドリフトするカーネルを低ランクの特徴空間で近似する。 これにより、元のドリフトフィールドのアトラクション低減構造を保ちながら、フィールド評価のコストを低減できる。 画像生成ベンチマーク全体では、DriftXpressは標準的なドリフトに匹敵するFIDを実現し、ウォールクロックのトレーニングコストを削減している。 これらの結果から,ドリフトモデルのトレーニング推論トレードオフは,ワンステップ推論の優位性を放棄することなくさらに推し進めることができることがわかった。

関連論文リスト

• Kernel-Gradient Drifting Models [34.79469799316397]
  カーネル段階のドリフトは1ステップの生成モデリングフレームワークである。 これは、ドリフトモデルにおける固定されたユークリッド変位方向を、核自体によって誘導される方向に置き換える。
  論文  参考訳（メタデータ） (2026-05-11T15:33:21Z)
• Teacher-Feature Drifting: One-Step Diffusion Distillation with Pretrained Diffusion Representations [48.0169045294604]
  また, 一段蒸留を簡略化するために, 一段のドリフト損失を直接利用できることが示唆された。 追加の事前訓練された特徴抽出器に依存するオリジナルのドリフトモデルとは異なり、事前訓練された教師モデルの中間的隠れ状態が特徴表現として使用される。 提案手法は、画像品質と多様性の競争力のあるワンステップ生成を実現し、ImageNet-64$times$64およびSDXL18.4のFIDスコアを1.58とする。
  論文  参考訳（メタデータ） (2026-05-08T06:33:33Z)
• Lookahead Drifting Model [20.728314672584375]
  画像ネット上でのSOTA画像生成性能を1段階神経機能評価(NFE)により達成するEmphdrifting Modelという新しいパラダイムが提案されている。 基本的な考え方は、各トレーニングイテレーションでドリフト項を計算し、ドリフト項の方向に向けてモデルの出力をプッシュすることである。 CIFAR10による実験結果から,新手法の性能はベースラインよりも向上した。
  論文  参考訳（メタデータ） (2026-04-10T11:12:21Z)
• BAgger: Backwards Aggregation for Mitigating Drift in Autoregressive Video Diffusion Models [50.986189632485285]
  モデル自身のロールアウトから補正軌道を構築する自己教師型スキームであるバックワードアグリゲーション(BAgger)を導入する。 数段階の蒸留と分配整合損失に依存する従来のアプローチとは異なり、BAggerは標準的なスコアやフローマッチングの目的を持つ列車である。 因果拡散変換器でBAggerをインスタンス化し、テキスト・ツー・ビデオ、ビデオ・エクステンション、マルチプロンプト・ジェネレーションで評価する。
  論文  参考訳（メタデータ） (2025-12-12T23:02:02Z)
• DriftLite: Lightweight Drift Control for Inference-Time Scaling of Diffusion Models [22.823183347642132]
  本研究では,拡散モデルに対する予測時間スケーリングについて検討し,事前学習したモデルを新たなターゲット分布に適応させることを目標とする。 DriftLiteは軽量でトレーニング不要な粒子ベースのアプローチで、飛行中の推論ダイナミクスを最適に安定に制御する。
  論文  参考訳（メタデータ） (2025-09-25T22:21:59Z)
• One Diffusion Step to Real-World Super-Resolution via Flow Trajectory Distillation [60.54811860967658]
  FluxSRはフローマッチングモデルに基づく新しい一段階拡散リアルISRである。 まず,フロートラジェクトリ蒸留(FTD)を導入し,多段階のフローマッチングモデルを1段階のリアルISRに蒸留する。 第2に、画像リアリズムを改善し、生成画像の高周波アーティファクト問題に対処するために、テレビLPIPSを知覚的損失として提案する。
  論文  参考訳（メタデータ） (2025-02-04T04:11:29Z)
• DriftGAN: Using historical data for Unsupervised Recurring Drift Detection [0.6358693097475243]
  実世界のアプリケーションでは、入力データ分布は、概念ドリフト(concept drift)として知られる現象として、一定期間にわたって静的であることが多い。 ほとんどの概念ドリフト検出方法は、概念ドリフトを検出し、モデルを再訓練する要求をシグナル伝達する。 本稿では,GAN(Generative Adversarial Networks)に基づく教師なしの手法を提案する。
  論文  参考訳（メタデータ） (2024-07-09T04:38:44Z)
• ReDi: Efficient Learning-Free Diffusion Inference via Trajectory Retrieval [68.7008281316644]
  ReDiは学習不要なRetrievalベースの拡散サンプリングフレームワークである。 ReDi はモデル推論効率を 2 倍高速化することを示した。
  論文  参考訳（メタデータ） (2023-02-05T03:01:28Z)
• Minimizing Trajectory Curvature of ODE-based Generative Models [45.89620603363946]
  拡散モデル、整流モデル、流れマッチングなどの最近の生成モデルは、生成過程を固定前進過程の時間反転として定義する。 我々は, ODE/SDEシミュレーションを使わずに生成軌道の曲率を最小化するために, 前進過程を効率的に訓練する方法を提案する。
  論文  参考訳（メタデータ） (2023-01-27T21:52:03Z)

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。