論文の概要: A Tutorial on Diffusion Theory: From Differential Equations to Diffusion Models

• arxiv url: http://arxiv.org/abs/2605.22586v3
• Date: Wed, 27 May 2026 21:34:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 05:02:24.531683
• Title: A Tutorial on Diffusion Theory: From Differential Equations to Diffusion Models
• Title（参考訳）: 拡散理論に関するチュートリアル:微分方程式から拡散モデルへ
• Authors: Jiayi Fu, Yuxia Wang,
• Abstract要約: 拡散モデルは、生成モデリングの主流のフレームワークとして現れてきた。 このチュートリアルは微分方程式の観点からこれらの視点を統一的で自己完結した説明を提供する。 このチュートリアルは、拡散過程の解析的基礎とそれらの上に構築された現代的な生成アルゴリズムの間の橋渡しとして意図されている。
• 参考スコア（独自算出の注目度）: 15.927114890047035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have emerged as a dominant framework for generative modeling, but their mathematical foundations are often presented separately through diffusion probabilistic models, score-based modeling, stochastic differential equations, and numerical sampling methods. We write this tutorial to provide a unified and self-contained account of these viewpoints from the perspective of differential equations. Starting from a conditional Gaussian noising process, we derive ordinary differential equation (ODE) and stochastic differential equation (SDE) representations, pass to the corresponding marginal forward dynamics, and then obtain the reverse-time SDE and probability-flow ODE that make generation possible. We show that the central unknown quantity in reverse sampling is the marginal score, explain how score matching becomes the standard denoising objective under a noise-prediction parameterization, and discuss practical reverse-time sampling and guidance. We further place DDPM, DDIM, flow matching, and score-based SDEs in a common framework, and conclude with diffusion language models in continuous embedding space together with a brief discussion of discrete masked-token diffusion. The tutorial is intended as a bridge between the analytical foundations of diffusion processes and the modern generative algorithms built upon them.
• Abstract（参考訳）: 拡散モデルは生成モデルの主要な枠組みとして現れてきたが、それらの数学的基礎は拡散確率モデル、スコアベースモデリング、確率微分方程式、数値サンプリング法を通じて独立に提示されることが多い。 このチュートリアルは、微分方程式の観点から、これらの視点の統一的で自己完結した説明を提供するものである。 正規微分方程式 (ODE) と確率微分方程式 (SDE) の表現を導出し、対応する辺りのフォワードダイナミクスに遷移し、生成を可能にする逆時間SDEおよび確率フローODEを得る。 逆サンプリングにおける中心的未知量が限界スコアであることを示し、ノイズ予測パラメータ化の下で、スコアマッチングが標準聴覚目標となる方法を説明し、実用的な逆時間サンプリングとガイダンスについて議論する。 さらに, DDPM, DDIM, フローマッチング, スコアベースSDEを共通フレームワークに配置し, 連続埋め込み空間における拡散言語モデルを用いて, 離散マスク・トケン拡散に関する簡単な議論を行った。 このチュートリアルは、拡散過程の解析的基礎とそれらの上に構築された現代的な生成アルゴリズムの間の橋渡しとして意図されている。

関連論文リスト

• Diffusion models for Gaussian distributions: Exact solutions and Wasserstein errors [0.0]
  データ分布がガウス的であるとき,拡散モデルの挙動とその数値的実装について検討する。 対象と数値的なサンプル分布間の正確なワッサースタイン誤差を,任意の数値スキームに対して計算する。
  論文  参考訳（メタデータ） (2024-05-23T07:28:56Z)
• Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
  本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。 画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
  論文  参考訳（メタデータ） (2023-11-02T02:05:38Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)

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。