論文の概要: Drift Flow Matching

• arxiv url: http://arxiv.org/abs/2605.17244v1
• Date: Sun, 17 May 2026 03:58:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.798427
• Title: Drift Flow Matching
• Title（参考訳）: ドリフトフローマッチング
• Authors: Chenrui Ma, Xi Xiao, Lin Zhao, Tianyang Wang, Ferdinando Fioretto, Yanning Shen,
• Abstract要約: ドリフトフローマッチング(Drift Flow Matching)は,ドリフト生成モデルとフローベース反復生成を結びつけるフレームワークである。 DFMは直接輸送マップの効率を保ちつつ、複数の推論ステップを通じて生成を洗練させる。
• 参考スコア（独自算出の注目度）: 69.16550765154163
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Iterative generative models such as Flow Matching and Diffusion models have demonstrated strong test-time scaling behavior, where additional inference computation can improve generation quality. In contrast, Drift Models offer efficient one-step generation, but their direct generation paradigm limits such flexibility. In this work, we propose Drift Flow Matching (DFM), a framework that connects drifting generative modeling with flow-based iterative generation. DFM preserves the efficiency of direct transport maps while enabling generation to be refined through multiple inference steps when desired. This bridges the gap between one-step Drift Models and multi-step Flow Matching methods, and provides a novel generative paradigm that can adapt sampling computation to different quality--efficiency requirements. Extensive experiments across different tasks and datasets demonstrate the effectiveness and generality of the proposed framework.
• Abstract（参考訳）: フローマッチングや拡散モデルのような反復的生成モデルは、追加の推論計算により生成品質が向上する強いテスト時間スケーリング挙動を示す。 対照的に、Drift Modelsは効率的なワンステップ生成を提供するが、その直接的な生成パラダイムはそのような柔軟性を制限する。 本研究ではドリフトフローマッチング(DFM)を提案し,ドリフト生成モデルとフローベース反復生成を結合するフレームワークを提案する。 DFMは直接輸送マップの効率を保ちつつ、必要に応じて複数の推論ステップを通じて生成を洗練させる。 これは一段階のドリフトモデルと多段階のフローマッチングのギャップを埋め、サンプリング計算を異なる品質-効率要求に適応できる新しい生成パラダイムを提供する。 さまざまなタスクやデータセットにわたる大規模な実験は、提案したフレームワークの有効性と汎用性を示している。

関連論文リスト

• On Approaches to Building Surrogate ODE Models for Diffusion Bridges [39.92969675794945]
  拡散とシュルディンガーブリッジモデルは、生成モデリングにおける最先端の性能を確立している。 これらのモデルは、しばしば計算コストと複雑な訓練手順によって妨げられる。 この研究は、代理モデルを使用してよりシンプルで、より速く、より柔軟なこれらのダイナミクスの近似を作成する新しいパラダイムを導入している。
  論文  参考訳（メタデータ） (2025-12-14T12:49:38Z)
• Transport Based Mean Flows for Generative Modeling [19.973366424307077]
  フローマッチング生成モデルは、連続データ生成の強力なパラダイムとして現れています。 これらのモデルは、多数のシーケンシャルサンプリングステップを必要とするため、推論が遅い。 最近の研究はサンプリングステップの数を減らして推論を加速させようとしている。
  論文  参考訳（メタデータ） (2025-09-26T17:12:19Z)
• Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
  エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。 我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-10-28T17:25:56Z)
• Local Flow Matching Generative Models [19.859984725284896]
  フローマッチング(英: Flow Matching, FM)は、2つの分布を補間する連続的かつ非可逆的な流れを学習するためのシミュレーション不要な手法である。 FMサブモデルのシーケンスを連続的に学習するLFM(Local Flow Matching)と呼ばれるステップワイズFMモデルを提案する。 FMと比較して, LFMの訓練効率と競争的生成性能の改善を実証的に実証した。
  論文  参考訳（メタデータ） (2024-10-03T14:53:10Z)
• 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)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)

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。