論文の概要: Diff-CA: Separating Common and Salient Factors with Diffusion Models

• arxiv url: http://arxiv.org/abs/2606.06120v1
• Date: Thu, 04 Jun 2026 13:07:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.799965
• Title: Diff-CA: Separating Common and Salient Factors with Diffusion Models
• Title（参考訳）: Diff-CA:拡散モデルによる共通因子と正因子の分離
• Authors: Michaël Soumm, Alexandre Fournier Montgieux, Yunlong He, Pietro Gori, Alasdair Newson,
• Abstract要約: 生成品質を損なうことなくコントラスト分解が可能な拡散モデルのための新しい条件付けフレームワークを提案する。 先行研究で一般的に仮定される付加的コントラスト分解は、穏やかな条件下で同定可能であることを証明した。 この因子化は、正常な係数のみをスワップまたは補間することで、ターゲット操作を可能にする。
• 参考スコア（独自算出の注目度）: 43.80684668106847
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Contrastive Analysis aims to separate factors that are common between two data distributions from those that are salient to only one of them. Existing contrastive methods are based on generative models (e.g., VAEs or GANs) that often suffer from limited reconstruction and image quality, which hampers effective latent factor separation and limits their applicability to high-fidelity image generation and edition. We propose a novel conditioning framework for diffusion models that enables contrastive decomposition without compromising generation quality. We first train a prompt-free, image-conditioned diffusion model, and then learn to decompose the conditioning into a common and a salient factor, using weak supervision. We prove that the additive contrastive factorization, commonly assumed in prior work, is identifiable under mild conditions. This factorization enables targeted operations by swapping or interpolating only the salient factor.
• Abstract（参考訳）: 対照的分析(Contrastive Analysis)は、2つのデータ分布に共通する要因と、その1つだけが健全である要因を分離することを目的としている。 既存のコントラスト法は、しばしば限られた再構成と画像品質に苦しむ生成モデル(例えば、VAE、GAN)に基づいており、有効な潜在因子の分離を阻害し、高忠実な画像生成とエディションへの適用性を制限している。 生成品質を損なうことなくコントラスト分解が可能な拡散モデルのための新しい条件付けフレームワークを提案する。 まず, 画像条件付き拡散モデルを訓練し, その後, 弱い監督力を用いて, 条件を共通かつ健全な要因に分解する方法を学習する。 先行研究で一般的に仮定される付加的コントラスト分解は、穏やかな条件下で同定可能であることを証明した。 この因子化は、正常な係数のみをスワップまたは補間することで、ターゲット操作を可能にする。

関連論文リスト

• Interpolating Discrete Diffusion Models with Controllable Resampling [49.771004594828405]
  仮面拡散モデルは初期解凍による不可逆誤差に悩まされる。 自己補正が可能であるにもかかわらず、一様拡散モデルは、しばしば低品質のサンプルを生成する。 本稿では,中間潜伏状態への依存を減らすことで拡散を改善する補間離散拡散モデルを提案する。
  論文  参考訳（メタデータ） (2026-04-19T07:55:57Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• TRAIL: Transferable Robust Adversarial Images via Latent diffusion [35.54430200195499]
  敵対的攻撃は、ディープラーニングシステムに深刻なセキュリティリスクをもたらす。 モデル間の転送性は、生成した逆数の特徴と実世界のデータの間の分布ミスマッチによって制限されている。 テスト時間適応フレームワークTRAIL(Latent Diffusion)を用いたTransferable Robust Adrial Imagesを提案する。
  論文  参考訳（メタデータ） (2025-05-22T03:11:35Z)
• Distillation of Discrete Diffusion through Dimensional Correlations [21.078500510691747]
  「ミクチャー」モデルは、拡張性を維持しながら次元相関を扱える。 損失関数により、混合モデルは、次元相関を学習することで、そのような多くのステップの従来のモデルをほんの数ステップに蒸留することができる。 その結果、画像領域と言語領域をまたいだ事前学習した離散拡散モデルの蒸留における提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-10-11T10:53:03Z)
• JoReS-Diff: Joint Retinex and Semantic Priors in Diffusion Model for Low-light Image Enhancement [69.6035373784027]
  低照度画像強調(LLIE)は条件付き拡散モデルを用いて有望な性能を実現している。 従来手法は、タスク固有の条件戦略の十分な定式化の重要性を無視するものであった。 本稿では,Retinex および semantic-based pre-processing condition を付加した新しいアプローチである JoReS-Diff を提案する。
  論文  参考訳（メタデータ） (2023-12-20T08:05:57Z)
• Steered Diffusion: A Generalized Framework for Plug-and-Play Conditional Image Synthesis [62.07413805483241]
  Steered Diffusionは、無条件生成のために訓練された拡散モデルを用いたゼロショット条件画像生成のためのフレームワークである。 塗装,着色,テキスト誘導セマンティック編集,画像超解像などのタスクに対して,ステアリング拡散を用いた実験を行った。
  論文  参考訳（メタデータ） (2023-09-30T02:03:22Z)
• SinDiffusion: Learning a Diffusion Model from a Single Natural Image [159.4285444680301]
  SinDiffusionは1つの自然な画像からパッチの内部分布を捉えるためにデノナイズ拡散モデルを利用する。 SinDiffusionは、2つのコア設計に基づいている。まず、SinDiffusionは、段階的にスケールが成長する複数のモデルではなく、1つのスケールで1つのモデルで訓練されている。 第2に,拡散ネットワークのパッチレベルの受容領域は,画像のパッチ統計を捉える上で重要かつ効果的であることを示す。
  論文  参考訳（メタデータ） (2022-11-22T18:00:03Z)

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。