論文の概要: CrossFlow: One-Step Generation Across Latent and Pixel Spaces

• arxiv url: http://arxiv.org/abs/2606.19970v1
• Date: Thu, 18 Jun 2026 09:10:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.755983
• Title: CrossFlow: One-Step Generation Across Latent and Pixel Spaces
• Title（参考訳）: CrossFlow:ラテントとPixel空間をまたいだワンステップ世代
• Authors: Xiyuan Wang, Xiao Zhang, Yang Li, Ruoxi Jiang, Zhao Zhong, Liefeng Bo, Muhan Zhang,
• Abstract要約: CrossFlowは、ノイズの多い遅延入力を直接ピクセル空間イメージにマッピングする、クロススペースフローの定式化である。 クラス条件のImageNet-1kの$256times256$では、CrossFlow-XLは1つの関数評価で1.62 FIDを達成する。
• 参考スコア（独自算出の注目度）: 61.08358796319721
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most diffusion and flow-matching generators define the prior, probability path, and prediction target in the same representation space. Latent diffusion improves efficiency by moving this path into an autoencoder latent space, but the final sample is still produced by a separately trained decoder. This separation creates a mismatch: the generator is optimized for latent-space prediction, while final quality depends on how the decoder handles generated latents that may differ from clean encoder outputs. We introduce CrossFlow, a cross-space flow formulation that maps noisy latent inputs directly to pixel-space images. The key technical step is a velocity-free one-step objective: the latent trajectory defines the training path, but the supervised prediction is an image rather than a latent displacement. This lets one model act both as a one-step latent-to-pixel generator and as a decoder replacement for latent diffusion pipelines. On class-conditional ImageNet-1k at $256\times256$, CrossFlow-XL achieves 1.62 FID with one function evaluation. Ablations show that the latent encoder and pixel-space perceptual and adversarial losses are important for fidelity. These results indicate that cross-space flow objectives can combine the efficiency of latent representations with direct pixel-space supervision, without requiring a separate decoder at inference.
• Abstract（参考訳）: ほとんどの拡散・流れマッチング生成器は、同じ表現空間における事前、確率パス、予測ターゲットを定義する。 遅延拡散は、この経路を自己エンコーダ潜在空間に移すことで効率を向上させるが、最終的なサンプルは別々に訓練されたデコーダによって生成される。 ジェネレータは潜在空間の予測に最適化されるが、最終的な品質はデコーダがクリーンエンコーダ出力と異なる生成潜時を処理する方法に依存する。 そこで我々はCrossFlowを紹介した。これは、ノイズの多い遅延入力をピクセル空間の画像に直接マッピングする、クロススペースフローの定式化である。 遅延軌道はトレーニングパスを定義するが、教師付き予測は遅延変位ではなくイメージである。 これにより、1つのモデルが1ステップのラテント・ツー・ピクセル・ジェネレータとして機能し、ラテント・拡散パイプラインのデコーダとして機能する。 クラス条件のImageNet-1kの$256\times256$では、CrossFlow-XLは1つの関数評価で1.62 FIDを達成する。 アブレーションにより,潜在エンコーダと画素空間の知覚的・対角的損失は忠実度にとって重要であることが示された。 これらの結果から、空間間フローの目的は、推論時に別個のデコーダを必要とせず、遅延表現の効率と直接画素空間の監督を組み合わせられることが示唆された。

関連論文リスト

• Show the Signal, Hide the Noise: Spectral Forcing for Pixel-Space Diffusion [46.51681899437508]
  本稿では,パラメータフリーで時間条件付き2D-DCTローパス演算子であるSpectral Forcingを導入する。 その遮断は拡散時間とともに単調に膨張し、データエンドポイントのアイデンティティとなる。 JiT-700M/32のImageNet-256では、Spectral Forcingは、異なるトレーニングエポック間で、FIDとInception Scoreの両方を一貫して改善している。
  論文  参考訳（メタデータ） (2026-06-13T10:29:11Z)
• End-to-End Training for Unified Tokenization and Latent Denoising [82.91537591286554]
  統一トークン化と潜伏拡散のためのオートエンコーダアーキテクチャUNITEを提案する。 UNITEは、画像トークン化器と重量共有による潜伏ジェネレータの両方として機能するジェネレータで構成されている。 トークン化とスクラッチ生成の単一段階共同訓練が実現可能であることを示す。
  論文  参考訳（メタデータ） (2026-03-23T17:59:49Z)
• Accelerating Diffusion Decoders via Multi-Scale Sampling and One-Step Distillation [9.199518837644424]
  拡散型デコーダは画像トークン化において,高忠実度で遅延表現から画像を再構成するために採用されている。 この非効率性に対処するための2段階の加速フレームワークを導入する。 各スケールで拡散復号器を1ステップの復号化モデルに蒸留し,高速かつ高品質な再構成を可能にする。
  論文  参考訳（メタデータ） (2026-03-20T02:24:58Z)
• One-step Latent-free Image Generation with Pixel Mean Flows [22.294629970410508]
  ネットワーク出力空間と損失空間を別々に定式化する「ピクセル平均フロー」(pMF)を提案する。 pMFは、256x256解像度 (2.22 FID) と512x512解像度 (2.48 FID) でImageNet上の1ステップの潜時生成の強力な結果を得る
  論文  参考訳（メタデータ） (2026-01-29T18:59:56Z)
• DeCo: Frequency-Decoupled Pixel Diffusion for End-to-End Image Generation [93.6273078684831]
  より効率的な画素拡散パラダイムを追求するために,周波数デカップリング方式の画素拡散フレームワークを提案する。 高速・低周波成分の生成を分離する直感によって, セマンティックガイダンスに基づく高周波細部を生成するために, 軽量画素デコーダを利用する。 実験の結果,DeCoは1.62 (256x256) と2.22 (512x512) の FID を実現した。
  論文  参考訳（メタデータ） (2025-11-24T17:59:06Z)
• Restoring Images in Adverse Weather Conditions via Histogram Transformer [75.74328579778049]
  悪天候による画像の復元に有効なヒストグラム変換器(Histoformer)を提案する。 これはヒストグラム自己アテンション( histogram self-attention)と呼ばれるメカニズムで、空間的特徴を強度ベースのビンに分類し、セグメント化する。 ヒストグラムの自己アテンションを高めるために,従来のコンボリューションが類似画素上で動作できるようにするダイナミックレンジ・コンボリューションを提案する。
  論文  参考訳（メタデータ） (2024-07-14T11:59:22Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)

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。