論文の概要: Inference-Time Scaling in Diffusion Models through Iterative Partial Refinement

• arxiv url: http://arxiv.org/abs/2605.19317v1
• Date: Tue, 19 May 2026 03:53:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.106639
• Title: Inference-Time Scaling in Diffusion Models through Iterative Partial Refinement
• Title（参考訳）: 反復的部分微細化による拡散モデルの推測時間スケーリング
• Authors: Taegu Kang, Jaesik Yoon, Sungjin Ahn,
• Abstract要約: 推論時間のスケーリングは、推論能力を改善するための主要なアプローチとして現れています。 逐次拡散のための推論時間スケーリング手法である反復部分分極(IPR)を提案する。 IPRは外部認証なしでよりグローバルに一貫したサンプルを生成する。
• 参考スコア（独自算出の注目度）: 22.349959761835468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inference-time scaling has emerged as a major approach for improving reasoning capabilities, and has been increasingly applied to diffusion models. However, existing inference-time scaling methods for diffusion models typically rely on external verifiers or reward models to rank and select samples, limiting their scalability to settings where such evaluators are available and reliable. Moreover, while recent diffusion models perform sequential inference with region-wise, mixed-noise conditioning, inference-time scaling tailored to this setting remains relatively underexplored. We propose Iterative Partial Refinement (IPR), an inference-time scaling method for sequential diffusion that requires no external verifier. Starting from an already-generated sample, IPR re-noises a subset of regions and regenerates them conditioned on the remaining regions, enabling the model to revise earlier decisions under a richer context than was available during the initial generation. This iterative partial refinement produces more globally consistent samples without external verification. On reasoning tasks requiring global constraint satisfaction, IPR consistently improves performance: on MNIST Sudoku, the valid solution rate increases from 55.8% to 75.0%. These results show that iterative partial refinement alone can serve as an effective inference-time scaling strategy for diffusion models in sequential, mixed-noise settings. Code is available at: https://github.com/ahn-ml/IPR
• Abstract（参考訳）: 推論時間スケーリングは、推論能力を改善するための主要なアプローチとして現れ、拡散モデルにますます適用されてきた。 しかしながら、拡散モデルの既存の推論時間スケーリング手法は、通常、外部検証器や報酬モデルに頼り、サンプルをランク付けして選択し、それらのスケーラビリティをそのような評価器が利用可能で信頼性の高い設定に制限する。 さらに、近年の拡散モデルでは、領域的に混合ノイズ条件で逐次推論を行うが、この設定に合わせた推論時間スケーリングは、いまだに未探索である。 外部検証を必要としない逐次拡散のための推論時間スケーリング手法である反復部分分極法(IPR)を提案する。 IPRは、すでに生成済みのサンプルから、リージョンのサブセットを再ノイズ化し、残りのリージョンで条件付きで再生する。 この反復的な部分精製は、外部の検証なしにより一貫したサンプルを生成する。 MNIST Sudokuでは、有効解率は55.8%から75.0%に上昇する。 これらの結果から, 逐次混合雑音環境下での拡散モデルにおいて, 反復的部分改善だけで効果的な推定時間スケーリング戦略として機能することが示唆された。 コードは、https://github.com/ahn-ml/IPRで入手できる。

関連論文リスト

• Inference-Time Attribute Distribution Alignment for Unconditional Diffusion [54.28942858023809]
  我々は、事前訓練された非条件拡散モデルに対する推論時属性分布アライメント問題を定式化する。 そこで本研究では,逆拡散過程に対する最適制御問題として,推定時属性分布アライメントを適用した。 最適制御に基づくアルゴリズムを用いて分散マッチングの最適化を行う。
  論文  参考訳（メタデータ） (2026-05-08T09:02:47Z)
• Noise Hypernetworks: Amortizing Test-Time Compute in Diffusion Models [57.49136894315871]
  テストタイムスケーリングの新しいパラダイムは、推論モデルと生成視覚モデルにおいて驚くべきブレークスルーをもたらした。 本稿では,テスト時間スケーリングの知識をモデルに組み込むことの課題に対する1つの解決策を提案する。 拡散モデルにおいて、初期入力ノイズを変調するノイズハイパーネットワークにより、報酬誘導試験時間雑音の最適化を行う。
  論文  参考訳（メタデータ） (2025-08-13T17:33:37Z)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• Inference-Time Scaling for Flow Models via Stochastic Generation and Rollover Budget Forcing [25.50590395490414]
  本稿では,事前学習した流れモデルに対する推論時間スケーリング手法を提案する。 本稿では,SDE に基づく生成,特に分散保存型 (VP) 補間型 (VP) 生成は,フローモデルにおける推論時間スケーリングのための粒子サンプリング法を改善することを示す。
  論文  参考訳（メタデータ） (2025-03-25T06:30:45Z)
• Generalized Interpolating Discrete Diffusion [65.74168524007484]
  仮面拡散はその単純さと有効性のために一般的な選択である。 ノイズ発生過程の設計において、より柔軟性の高い離散拡散(GIDD)を補間する新しいファミリを一般化する。 GIDDの柔軟性をエクスプロイトし、マスクと均一ノイズを組み合わせたハイブリッドアプローチを探索し、サンプル品質を向上する。
  論文  参考訳（メタデータ） (2025-03-06T14:30:55Z)
• One More Step: A Versatile Plug-and-Play Module for Rectifying Diffusion Schedule Flaws and Enhancing Low-Frequency Controls [77.42510898755037]
  One More Step (OMS) は、推論中に単純だが効果的なステップを付加したコンパクトネットワークである。 OMSは画像の忠実度を高め、トレーニングと推論の二分法を調和させ、元のモデルパラメータを保存する。 トレーニングが完了すると、同じ潜在ドメインを持つ様々な事前訓練された拡散モデルが同じOMSモジュールを共有することができる。
  論文  参考訳（メタデータ） (2023-11-27T12:02:42Z)

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。