Fugu-MT 論文翻訳(概要): NullFlow: One-Step Generative Reconstruction

論文の概要: NullFlow: One-Step Generative Reconstruction

arxiv url: http://arxiv.org/abs/2606.22696v1
Date: Sun, 21 Jun 2026 22:21:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-25 07:27:54.581575
Title: NullFlow: One-Step Generative Reconstruction
Title（参考訳）: NullFlow: ワンステップジェネレーティブレコンストラクション
Authors: Xiao Shi, Edward P. Chandler, Chicago Y. Park, Shirin Shoushtari, Ulugbek S. Kamilov,
Abstract要約: 本研究では,一段階生成画像再構成の原理的枠組みであるNullFlowを提案する。 NullFlowサンプルは、フローの平均速度を学習して単一のネットワーク評価を行う。我々は,NullFlowが数百のネットワーク評価から1への推論をカットしながら,最先端の拡散解法と一致することを示す。
参考スコア（独自算出の注目度）: 8.462051886956962
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose NullFlow, a principled framework for one-step generative image reconstruction. Our key idea is to confine the generative flow to a measurement-consistent subspace. Because the flow never leaves this subspace, NullFlow needs no separate data-fidelity corrections, unlike existing solvers. NullFlow samples in a single network evaluation by learning the flow's average velocity, avoiding the step-by-step integration of traditional flow matching methods. We prove that the average velocity of this constrained flow yields a training objective whose global minimizer is a one-step posterior sampler. We show on image inpainting that NullFlow matches state-of-the-art diffusion solvers while cutting inference from hundreds of network evaluations to one.
Abstract（参考訳）: 本研究では,一段階生成画像再構成の原理的枠組みであるNullFlowを提案する。私たちのキーとなる考え方は、生成フローを測定に一貫性のある部分空間に閉じ込めることです。フローがこの部分空間を決して残さないため、NullFlowは既存のソルバとは異なり、別のデータ忠実度補正を必要としない。 NullFlowは,フローの平均速度を学習し,従来のフローマッチング手法のステップバイステップ統合を回避することで,単一のネットワーク評価を行う。この制約流の平均流速は、大域最小化器が1ステップ後サンプリング器である訓練目標となることを証明した。我々は,NullFlowが数百のネットワーク評価から1への推論をカットしながら,最先端の拡散解法と一致することを示す。

関連論文リスト

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)
Trajectory Stitching for Solving Inverse Problems with Flow-Based Models [68.36374645801901]
フローベースの生成モデルは、逆問題を解決するための強力な先行要因として現れてきた。 1つの初期コードではなく、中間潜在状態の列として軌道を表すMS-Flowを提案する。画像の回復と逆問題に対するMS-Flowの有効性を示す。
論文参考訳（メタデータ） (2026-02-09T11:36:41Z)
Flow Straighter and Faster: Efficient One-Step Generative Modeling via MeanFlow on Rectified Trajectories [14.36205662558203]
Rectified MeanFlowは、単一のリフローステップのみを使用して、修正された軌道に沿った平均速度場をモデル化するフレームワークである。 64、256、および512の解像度でのImageNetの実験では、Re-MeanFlowは、サンプルの品質とトレーニング効率の両方で、一段階の蒸留法とRectified Flow法を一貫して上回っている。
論文参考訳（メタデータ） (2025-11-28T16:50:08Z)
AlphaFlow: Understanding and Improving MeanFlow Models [74.64465762009475]
その結果,MeanFlowの目的は,トラジェクティブフローマッチングとトラジェクトリ一貫性という2つの部分に分けられることがわかった。これらの知見に触発されて、軌跡フローマッチング、ショートカットモデル、MeanFlowを統一する目的の広いファミリーである$alpha$-Flowを紹介した。クラス条件のImageNet-1K 256x256をバニラのDiTバックボーンでスクラッチからトレーニングすると、$alpha$-Flowはスケールと設定でMeanFlowを一貫して上回る。
論文参考訳（メタデータ） (2025-10-23T17:45:06Z)
OneFlow: Concurrent Mixed-Modal and Interleaved Generation with Edit Flows [59.052955667723985]
可変長および同時混合モード生成が可能な最初の非自己回帰型マルチモーダルモデルであるOneFlowを提案する。テキストと画像生成の間の厳格な因果順序を強制する自己回帰モデルとは異なり、OneFlowは個別のテキストトークンに対する挿入ベースのEdit Flowと、画像潜伏者のためのFlow Matchingを組み合わせる。
論文参考訳（メタデータ） (2025-10-03T20:40:30Z)
MeanFlowSE: one-step generative speech enhancement via conditional mean flow [13.437825847370442]
MeanFlowSEは、軌道に沿った有限区間の平均速度を学習する条件付き生成モデルである。 VoiceBank-DEMANDでは、シングルステップモデルは多ステップベースラインよりも計算コストが大幅に低い強い知性、忠実性、知覚品質を実現する。
論文参考訳（メタデータ） (2025-09-18T11:24:47Z)
SplitMeanFlow: Interval Splitting Consistency in Few-Step Generative Modeling [23.539625950964876]
Flow Matchingのような生成モデルは最先端のパフォーマンスを達成したが、しばしば計算コストのかかる反復サンプリングプロセスによって妨げられている。この分野の先導的手法であるMeanFlowは、平均速度と瞬間速度を接続する差分IDを強制することによって、この分野を学習する。この研究において、この微分定式化はより基本的な原理の限定的な特別な場合であると主張する。 SplitMeanFlowは、学習目的として、この代数的一貫性を直接強制する新しいトレーニングフレームワークです。
論文参考訳（メタデータ） (2025-07-22T16:26:58Z)
ContinualFlow: Learning and Unlearning with Neural Flow Matching [13.628458744188325]
本研究では、フローマッチングによる生成モデルにおける目標未学習のための原則的フレームワークであるContinualFlowを紹介する。本手法では,スクラッチからのトレーニングやサンプルへの直接アクセスを必要とせずに,エネルギーによる再加重損失を利用して,データ分布の不要領域をソフトに減算する。
論文参考訳（メタデータ） (2025-06-23T15:20:58Z)
Mean Flows for One-step Generative Modeling [64.4997821467102]
本稿では,一段階生成モデリングのための原理的かつ効果的なフレームワークを提案する。ニューラルネットワークトレーニングのガイドには,平均速度と瞬時速度を適切に定義したアイデンティティが導出され,使用される。提案手法はMeanFlowモデルと呼ばれ,自己完結型であり,事前学習,蒸留,カリキュラム学習は不要である。
論文参考訳（メタデータ） (2025-05-19T17:59:42Z)
DeFlow: Learning Complex Image Degradations from Unpaired Data with Conditional Flows [145.83812019515818]
本論文では,不対データから画像劣化を学習するDeFlowを提案する。共有フローデコーダネットワークの潜在空間における劣化過程をモデル化する。共同画像復元と超解像におけるDeFlowの定式化を検証した。
論文参考訳（メタデータ） (2021-01-14T18:58:01Z)

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。