論文の概要: Accelerating Redshift-Conditioned Galaxy Image Synthesis with One-step Generative Modeling

• arxiv url: http://arxiv.org/abs/2605.17546v1
• Date: Sun, 17 May 2026 17:00:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.136527
• Title: Accelerating Redshift-Conditioned Galaxy Image Synthesis with One-step Generative Modeling
• Title（参考訳）: ワンステップ生成モデルによる赤方偏移型銀河画像合成の高速化
• Authors: Tianyue Yang, Sandro Tacchella, Xiao Xue,
• Abstract要約: 拡散モデルと画素・メアンフローを用いた天体物理画像合成のための効率的な赤方偏移条件生成モデルについて検討した。 我々はGalaxiesML-64データセット上でDDPM,DDIM,DEIS-AB2,DPM++2M,ワンステップピクセル平均フローを評価した。
• 参考スコア（独自算出の注目度）: 1.4983191583951332
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding galaxy morphology evolution across cosmic time requires models that can generate realistic galaxy populations conditioned on redshift. In this work, we study efficient redshift-conditioned generative modeling for astrophysical image synthesis using diffusion models and pixel-MeanFlow. We first review the connections between score-based diffusion models, Flow Matching, one-step generative models, and modern diffusion samplers. We then evaluate DDPM, DDIM, DEIS-AB2, DPM++2M, and one-step pixel-MeanFlow on the GalaxiesML-64 dataset using morphology-based metrics, including ellipticity, semi-major axis, Sérsic index, and isophotal area. Our results show a clear accuracy-efficiency trade-off: standard DDPM sampling achieves the best distributional fidelity but requires high computational cost, while second-order samplers substantially improve efficiency over DDIM. Pixel-MeanFlow enables single-step generation and achieves competitive performance on several morphology statistics, though it remains weaker than many-step DDPM for fine-grained structure. Our results demonstrate that one-step generative models can recover key galaxy morphology statistics at orders-of-magnitude lower computational cost, opening a path toward efficient conditional simulators for large cosmological surveys and simulation-based scientific inference.
• Abstract（参考訳）: 宇宙時間における銀河形態の進化を理解するには、赤方偏移で条件付けられた現実的な銀河団を生成するモデルが必要である。 本研究では,拡散モデルとピクセル・メアンフローを用いた天体物理画像合成のための効率的な赤方偏移条件生成モデルについて検討する。 まず, スコアベース拡散モデル, フローマッチング, ワンステップ生成モデル, 近代拡散サンプリングの関連性について概説する。 次に,GalaxiesML-64データセット上のDDPM,DDIM,DEIS-AB2,DPM++2M,およびワンステップピクセル・メアンフローを楕円性,半主軸,セルシック指数,等方性領域などの形態的指標を用いて評価した。 標準DDPMサンプリングは最適な分散忠実度を実現するが,高い計算コストを必要とする一方,2次サンプリング器はDDIMよりも効率が大幅に向上する。 Pixel-MeanFlowはシングルステップ生成を可能にし、いくつかの形態学統計学における競合性能を達成するが、細粒度構造のための多ステップDDPMよりも弱い。 以上の結果から,1段階の生成モデルにより,計算コストのオーダー・オブ・マグニチュードで重要な銀河形態の統計を復元し,大規模な宇宙探査とシミュレーションに基づく科学的推測を行うための効率的な条件付きシミュレータへの道を開くことが示唆された。

関連論文リスト

• One-Step Generative Modeling via Wasserstein Gradient Flows [56.266175641614986]
  W-Flowは、単純な参照分布からサンプルをターゲットデータ分布からサンプルに変換するジェネレータを1ステップでトレーニングするフレームワークである。 我々は1ステップのImageNet 256$times$256 生成のための新しい技術状況を設定し、モードカバレッジとドメイン転送を改善した 1.29 FID を達成した。
  論文  参考訳（メタデータ） (2026-05-12T08:29:44Z)
• How Much Data is Enough? The Zeta Law of Discoverability in Biomedical Data, featuring the enigmatic Riemann zeta function [1.560394526607184]
  本稿では,データ共分散演算子のスペクトル構造,タスク整列信号投影,学習表現に基づくクロスモーダル発見可能性のためのスケーリング法フレームワークを提案する。 このフレームワークは、より単純なモデルが小さなサンプルサイズで最大限に機能するクロスオーバーキャパシティを予測し、十分なデータが追加の自由度を安定化すれば、高あるいはマルチモーダルエンコーダはそれらを上回る性能を発揮する。
  論文  参考訳（メタデータ） (2026-04-19T19:08:53Z)
• 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)
• Efficient Controllable Diffusion via Optimal Classifier Guidance [16.748525985158278]
  制御可能な拡散モデルの生成は、与えられた目的関数を最適化するサンプルを生成するためにモデルを操ることを目的としている。 SLCD -- Supervised Learning based Controllable Diffusionを提案する。
  論文  参考訳（メタデータ） (2025-05-27T18:46:21Z)
• Geodesic Diffusion Models for Efficient Medical Image Enhancement [6.689992048758046]
  確率空間における最短経路に対応する測地線ノイズスケジュールをフィッシャー・ラオ計量の下で提案する。 これらのスケジュールに基づいて、トレーニングとサンプリング効率を大幅に改善する測地拡散モデル(GDM)を提案する。 医用画像強調作業におけるGDMの評価を行った。
  論文  参考訳（メタデータ） (2025-03-02T05:57:51Z)
• 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)
• Latent Consistency Models: Synthesizing High-Resolution Images with Few-Step Inference [60.32804641276217]
  本稿では,LCM(Latent Consistency Models)を提案する。 高品質の768 x 768 24-step LCMは、トレーニングに32A100 GPU時間しかかからない。 また,画像データセットの微調整に適した新しいLCM法であるLCF(Latent Consistency Fine-tuning)についても紹介する。
  論文  参考訳（メタデータ） (2023-10-06T17:11:58Z)
• Field Level Neural Network Emulator for Cosmological N-body Simulations [7.051595217991437]
  非線形状態において高精度な宇宙構造形成のためのフィールドレベルエミュレータを構築した。 我々は、2つの畳み込みニューラルネットワークを用いて、N体シミュレーション粒子の非線形変位と速度を出力する。
  論文  参考訳（メタデータ） (2022-06-09T16:21:57Z)
• Realistic galaxy image simulation via score-based generative models [0.0]
  本研究では,銀河の観測を模倣した現実的かつ偽のイメージを生成するために,スコアベースの生成モデルが利用できることを示す。 主観的には、生成された銀河は実際のデータセットのサンプルと比較すると非常に現実的である。
  論文  参考訳（メタデータ） (2021-11-02T16:27:08Z)

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。