論文の概要: Equivariant Latent Alignment via Flow Matching under Group Symmetries

• arxiv url: http://arxiv.org/abs/2605.30705v2
• Date: Tue, 02 Jun 2026 23:56:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 17:40:41.565816
• Title: Equivariant Latent Alignment via Flow Matching under Group Symmetries
• Title（参考訳）: 群対称性下のフローマッチングによる等変ラテントアライメント
• Authors: Sunghyun Kim, Jaehoon Hahm, Jeongwoo Shin, Joonseok Lee,
• Abstract要約: 同変表現学習は、解析的に知られた群変換が直接作用する潜在空間を構築するための強力なフレームワークとして登場した。 既存のアプローチは、意図された群アクションと実際に必要となるラテント空間の変換との相違である潜在的不整合にしばしば悩まされる。 フローベースのフレームワークであるResidual Latent Flowを提案する。
• 参考スコア（独自算出の注目度）: 18.655367238679496
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geometry-aware generative models and novel view synthesis approaches have shown strong potential in visual fidelity and consistency. In parallel, equivariant representation learning has emerged as a powerful framework for constructing latent spaces where analytically known group transformations could act directly, capturing geometric structure in data and enhancing both interpretability and generalization in novel view synthesis. However, we identify that existing approaches often suffer from latent misalignment, a discrepancy between the intended group action and the actually required transformations in the latent space. Consequently, the learned latents often fail to consistently preserve the equivariant relations imposed by the underlying group symmetry. To address this, we propose Residual Latent Flow, a flow-based framework that corrects the misaligned latents, thereby improving compliance with the underlying equivariance relation. Our comprehensive experiments show that our method significantly reduces latent misalignment and improves novel view synthesis quality, under rotation groups SO(n).
• Abstract（参考訳）: 幾何学を意識した生成モデルと新しいビュー合成アプローチは、視覚的忠実度と一貫性に強い可能性を示している。 平行して、同変表現学習は、解析的に知られた群変換が直接作用しうる潜在空間を構築するための強力なフレームワークとして現れ、データの幾何学的構造をキャプチャし、新しいビュー合成における解釈可能性と一般化の両面を強化する。 しかし、既存のアプローチは、意図された群アクションと実際に必要となる潜在空間の変換との相違である潜在的不整合にしばしば悩まされる。 したがって、学習された潜伏子は、下層の群対称性によって課される同変関係を一貫して保たないことが多い。 これを解決するために,フローベースのフレームワークであるResidual Latent Flowを提案する。 本手法は, 回転群SO(n)下において, 遅延不整合を著しく低減し, 新規なビュー合成品質の向上を図っている。

関連論文リスト

• Commutator-Induced Uncertainty in VAEs [20.84327211490012]
  変分オートエンコーダ(VAE)は、学習された潜在空間における非可換構造を表現するのにしばしば苦労する。 我々は不確実性に関する幾何学的視点と代数的視点を組み合わせたリー群VAEフレームワークを導入する。 dSprites, 3DShapes, 3DCars, CelebAのフレームワークを, 汎用的および対称性を考慮したベースラインに対して評価した。
  論文  参考訳（メタデータ） (2026-05-22T10:03:46Z)
• Anisotropic Modality Align [91.23979617826926]
  マルチモーダルな大規模言語モデルの訓練は、高品質なペア型マルチモーダルデータの不足により、長い間制限されてきた。 近年の研究では、事前訓練されたマルチモーダルコントラストモデルの共有表現空間がブリッジとして機能し、非モーダルデータを用いたマルチモーダルトレーニングを可能にすることが示されている。 中心となる障害は、共有空間の永続的なモダリティギャップにある。
  論文  参考訳（メタデータ） (2026-05-08T14:53:24Z)
• GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
  本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。 PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。 これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
  論文  参考訳（メタデータ） (2026-03-01T09:30:11Z)
• Invariance on Manifolds: Understanding Robust Visual Representations for Place Recognition [19.200074425090595]
  本稿では,2次幾何統計フレームワークを提案する。 提案手法では、固定されたトレーニング済みのバックボーン上に構築されたトレーニング不要のフレームワークを導入し、パラメータ更新なしで強力なゼロショット一般化を実現する。
  論文  参考訳（メタデータ） (2026-01-31T18:12:29Z)
• Relative Representations: Topological and Geometric Perspectives [50.85040046976025]
  相対表現はゼロショットモデルの縫合に対する確立されたアプローチである。 相対変換において正規化手順を導入し、非等方的再スケーリングや置換に不変となる。 第二に、クラス内のクラスタリングを促進するトポロジカル正規化損失である、微調整された相対表現におけるトポロジカルデシフィケーションの展開を提案する。
  論文  参考訳（メタデータ） (2024-09-17T08:09:22Z)
• Structure-preserving GANs [6.438897276587413]
  分散学習のためのデータ効率フレームワークとして,構造保存型GANを導入する。 我々は、不変判別器空間上のその射影に対して、判別器空間を減少させることができることを示す。 固有群対称性を持つ分布に対する対称性保存GANを構築することで、我々の枠組みを文脈化する。
  論文  参考訳（メタデータ） (2022-02-02T16:40:04Z)
• Inverse Learning of Symmetries [71.62109774068064]
  2つの潜在部分空間からなるモデルで対称性変換を学ぶ。 我々のアプローチは、情報ボトルネックと連続的な相互情報正規化器の組み合わせに基づいています。 我々のモデルは, 人工的および分子的データセットにおける最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-02-07T13:48:52Z)

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。