論文の概要: Drifting Models for Surrogate Flow Modeling

• arxiv url: http://arxiv.org/abs/2606.07481v1
• Date: Fri, 05 Jun 2026 17:35:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.871633
• Title: Drifting Models for Surrogate Flow Modeling
• Title（参考訳）: 代理流れモデリングのためのドリフトモデル
• Authors: Chris R. Jung, Markus Dörr, Natalie Jüngling, Jennifer Niessner, Adam T. Müller, Nicolaj C. Stache,
• Abstract要約: 学習されたVAE潜在空間でドリフトを行う条件付きアーキテクチャを導入し,ラベル認識マスキングを用いて生成したサンプルを境界条件に整列させる。 我々のモデルは、2桁の精度と流れの整合性の反復拡散に一致し、2桁の速度で実行することができる。
• 参考スコア（独自算出の注目度）: 0.4925906256430175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While Computational Fluid Dynamics (CFD) provides high-fidelity flow fields for optimizing indoor environments, its computational cost limits rapid exploration. To solve this problem generative surrogates offer better distribution modeling than deterministic networks, but iterative sampling is slow. To enable high-quality, single-pass generation, we adapt the novel generative drifting framework to fluid mechanics. We introduce a conditional architecture that performs drifting in a learned VAE latent space and uses label-aware masking to align generated samples with their boundary conditions. Our label-conditioned model matches iterative diffusion in accuracy and flow consistency while running two orders of magnitude faster. Additionally, we propose a spatial-conditioning variant that establishes a promising path towards generalization to unseen geometries. Ultimately, conditional drifting serves as a highly efficient alternative to diffusion based approaches, unlocking real-time CFD surrogates where inference speed is critical.
• Abstract（参考訳）: 計算流体力学(CFD)は屋内環境を最適化するための高忠実な流れ場を提供するが、計算コストは急激な探索を制限している。 この問題を解決するために、生成サロゲートは決定論的ネットワークよりもより良い分布モデリングを提供するが、反復サンプリングは遅い。 高品質なシングルパス生成を実現するため,新しいドリフトフレームワークを流体力学に適用する。 学習されたVAE潜在空間でドリフトを行う条件付きアーキテクチャを導入し,ラベル認識マスキングを用いて生成したサンプルを境界条件に整列させる。 ラベル条件付きモデルでは, 精度と流れの整合性の反復拡散を2桁高速に行う。 さらに,未確認測地への一般化に向けた有望な経路を確立する空間条件変種を提案する。 究極的には、条件ドリフトは拡散に基づくアプローチの非常に効率的な代替手段として機能し、推論速度が重要となるリアルタイムCFDサロゲートをアンロックする。

関連論文リスト

• Drift Flow Matching [69.16550765154163]
  ドリフトフローマッチング(Drift Flow Matching)は,ドリフト生成モデルとフローベース反復生成を結びつけるフレームワークである。 DFMは直接輸送マップの効率を保ちつつ、複数の推論ステップを通じて生成を洗練させる。
  論文  参考訳（メタデータ） (2026-05-17T03:58:01Z)
• Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
  フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。 平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。 球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
  論文  参考訳（メタデータ） (2026-03-11T12:41:46Z)
• Formalizing the Sampling Design Space of Diffusion-Based Generative Models via Adaptive Solvers and Wasserstein-Bounded Timesteps [4.397130429878499]
  拡散に基づく生成モデルは、様々な領域で顕著な性能を達成してきたが、その実践的展開は、しばしば高いサンプリングコストによって制限されている。 本稿では,数値解法を拡散軌道の固有特性と整合する原理的枠組みであるSDMを提案する。 ODE のダイナミクスを解析することにより,低次解法は初期高雑音で十分であり,高次解法は後段の非線形性の増加に対応するために段階的に展開可能であることを示す。
  論文  参考訳（メタデータ） (2026-02-13T05:02:07Z)
• FlowConsist: Make Your Flow Consistent with Real Trajectory [99.22869983378062]
  現在の高速フロートレーニングパラダイムには,2つの根本的な問題がある,と我々は主張する。 ランダムにペアリングされたノイズデータサンプルから構築された条件付き速度は、系統的な軌跡ドリフトを導入する。 本研究では,高速フローにおける軌道整合性を実現するためのトレーニングフレームワークであるFlowConsistを提案する。
  論文  参考訳（メタデータ） (2026-02-06T03:24:23Z)
• Blockwise Flow Matching: Improving Flow Matching Models For Efficient High-Quality Generation [33.177998521195114]
  フローマッチングモデルは、幅広い領域にわたる高忠実性データ生成の境界を押し上げている。 生成軌道を複数の時間セグメントに分割する新しいフレームワークであるBlockwise Flow Matching (BFM)を提案する。 BFMは2.1倍から4.9倍の高速化を実現している。
  論文  参考訳（メタデータ） (2025-10-24T05:41:23Z)
• A-FloPS: Accelerating Diffusion Sampling with Adaptive Flow Path Sampler [21.134678093577193]
  A-FloPSは、フローベースの生成モデルのための原則化された、トレーニング不要のフレームワークである。 A-FloPSは, 試料品質と効率の両面において, 最先端のトレーニング不要サンプリング器より一貫して優れていることを示す。 5ドルの関数評価で、A-FloPSはFIDを大幅に低くし、よりシャープでコヒーレントな画像を生成する。
  論文  参考訳（メタデータ） (2025-08-22T13:28:16Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• DiffuSeq-v2: Bridging Discrete and Continuous Text Spaces for Accelerated Seq2Seq Diffusion Models [58.450152413700586]
  ガウス空間に基づく離散突然変異を再構成する学習において拡散モデルを容易にする軟吸収状態を導入する。 我々は、サンプリングプロセスの高速化のために、連続空間内で最先端のODEソルバを用いている。 提案手法は, トレーニング収束率を4倍に向上させ, 類似品質のサンプルを800倍高速に生成する。
  論文  参考訳（メタデータ） (2023-10-09T15:29:10Z)

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。