論文の概要: Divide-and-Denoise: A Game-Theoretic Method for Fairly Composing Diffusion Models

• arxiv url: http://arxiv.org/abs/2606.14756v1
• Date: Mon, 08 Jun 2026 04:51:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 18:36:04.91006
• Title: Divide-and-Denoise: A Game-Theoretic Method for Fairly Composing Diffusion Models
• Title（参考訳）: Divide-and-Denoise: 拡散モデルを公平に構成するためのゲーム理論手法
• Authors: Abhi Gupta, Polina Barabanshchikova, Vikas Garg, Samuel Kaski, Tommi Jaakkola,
• Abstract要約: ディバイド・アンド・デノワーズ(Divide-and-Denoise)は、サンプリング中の複数の事前学習拡散モデルをコーディネートする手法である。 我々の手法は、モデルにまたがる公平だが効率的な分業を生み出します。
• 参考スコア（独自算出の注目度）: 36.96041790159168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The abundance of pre-trained diffusion models provides an opportunity for composition. Combining several models, however, runs the risk of one model dominating or models disagreeing with each other. Here, we propose Divide-and-Denoise, a method for coordinating multiple pre-trained diffusion models during sampling. Much like managing a specialized workforce, our method creates a fair but efficient division of labor across models. Central to our method is the notion of an allocation which defines the responsibility of each model to every region of the noisy sample. At every timestep, we then denoise by (i) updating the allocation by solving a fair division game, where we divide the sample into regions that maximize total utility under fairness constraints, and (ii) aligning the models with this allocation, where we guide each model to denoise within its assigned region. This leads to a new composite denoising process that evolves in tandem with a division process. We evaluate Divide-and-Denoise on conditional image generation. Across several quality metrics, including the GenEval benchmark, our method outperforms baselines and resolves common failures including missing objects and mismatched attributes. Experiments show that Divide-and-Denoise utilizes each model's expertise without neglecting any other model.
• Abstract（参考訳）: 事前学習された拡散モデルの豊富さは、構成の機会を与える。 しかし、複数のモデルを組み合わせることで、1つのモデルが支配するリスクや、互いに相容れないモデルのリスクが生じる。 本稿では,サンプリング中の複数の事前学習拡散モデルをコーディネートする方法であるDivide-and-Denoiseを提案する。 専門的な労働力を管理するのと同じように、我々の手法はモデル間で公平だが効率的な労働分配を生み出します。 我々の手法の中心は、ノイズサンプルの全ての領域に対する各モデルの責任を定義するアロケーションの概念である。 いずれにせよ、我々はそれを軽蔑する。 一 フェアディビジョンゲームにより割り当てを更新し、フェアネス制約の下で全実用性を最大化する領域にサンプルを分割し、 2) モデルをこのアロケーションと整合させることで、各モデルが割り当てられた領域内で認知するように誘導します。 これにより、分割プロセスと接して進化する新しい複合デノナイジングプロセスがもたらされる。 条件付き画像生成におけるDivide-and-Denoiseの評価を行う。 GenEvalベンチマークを含むいくつかの品質指標で、我々のメソッドはベースラインを上回り、欠落したオブジェクトやミスマッチした属性を含む一般的な障害を解消します。 実験によると、Divide-and-Denoiseは他のモデルを無視することなく、それぞれのモデルの専門知識を活用する。

関連論文リスト

• [MASK] is All You Need [28.90875822599164]
  離散状態モデルを用いてMasked Generative と Non-autoregressive Diffusion を接続する。 離散状態モデルで[MASK]を活用することで、Masked Generative と Non-autoregressive Diffusion モデルを橋渡しできる。
  論文  参考訳（メタデータ） (2024-12-09T18:59:56Z)
• Localize-and-Stitch: Efficient Model Merging via Sparse Task Arithmetic [22.73746175315071]
  ローカライズ・アンド・スティッチ(Localize-and-Stitch)は、モデルをローカライズされた方法でマージする新しいアプローチである。 提案手法は,微調整性能に寄与するスパース領域を効果的に検出できることを実証する。 また,本アルゴリズムはモデル圧縮を容易にし,事前学習した知識を保存する。
  論文  参考訳（メタデータ） (2024-08-24T19:14:02Z)
• Adaptive Training Meets Progressive Scaling: Elevating Efficiency in Diffusion Models [52.1809084559048]
  TDCトレーニングと呼ばれる新しい2段階分割型トレーニング戦略を提案する。 タスクの類似性と難易度に基づいてタイムステップをグループ化し、高度にカスタマイズされた復調モデルを各グループに割り当て、拡散モデルの性能を向上させる。 2段階のトレーニングでは、各モデルを個別にトレーニングする必要がなくなるが、総トレーニングコストは、単一の統合されたデノナイジングモデルをトレーニングするよりもさらに低い。
  論文  参考訳（メタデータ） (2023-12-20T03:32:58Z)
• Denoising Diffusion Bridge Models [54.87947768074036]
  拡散モデルは、プロセスを使用してデータにノイズをマッピングする強力な生成モデルである。 画像編集のような多くのアプリケーションでは、モデル入力はランダムノイズではない分布から来る。 本研究では, DDBM(Denoising Diffusion Bridge Models)を提案する。
  論文  参考訳（メタデータ） (2023-09-29T03:24:24Z)
• Unite and Conquer: Plug & Play Multi-Modal Synthesis using Diffusion Models [54.1843419649895]
  拡散確率モデル(DDPM)に基づく解を提案する。 他の生成モデルよりも拡散モデルを選択する動機は、拡散モデルの柔軟な内部構造に由来する。 提案手法は,複数のサブタスクで訓練された複数の拡散モデルを統一し,組み合わせたタスクを克服する。
  論文  参考訳（メタデータ） (2022-12-01T18:59:55Z)

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。