Fugu-MT 論文翻訳(概要): Safe Few-Step Generation via Velocity Editing

論文の概要: Safe Few-Step Generation via Velocity Editing

arxiv url: http://arxiv.org/abs/2606.23267v1
Date: Mon, 22 Jun 2026 12:47:57 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-24 22:55:36.44155
Title: Safe Few-Step Generation via Velocity Editing
Title（参考訳）: 速度編集による安全なFew-Step生成
Authors: Yujin Choi, Jaehong Yoon,
Abstract要約: フローマッチングは、最先端のテキスト・トゥ・イメージ(T2I)生成のための強力なパラダイムとして登場した。 VESFlowは,極めて少ないサンプリングステップで,フローマッチングに適したトレーニング不要の安全手法である。
参考スコア（独自算出の注目度）: 30.167873935924987
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Flow matching has recently emerged as a strong paradigm for state-of-the-art text-to-image (T2I) generation, enabling high-quality generation with a small number of sampling steps. As these models are increasingly integrated into real-world applications, ensuring safe and non-sensitive content generation has become a critical requirement. However, adapting safety and concept removal methods to this new generation framework remains an open challenge. Specifically, prior methods largely rely on iterative trajectory steering across a number of denoising steps or on CLIP-centric prompt embedding manipulation. These design assumptions pose fundamental bottlenecks for safety in flow matching-based T2I generation, where limited sampling steps constrain iterative correction and modern context-aware text encoders diminish the effectiveness of embedding-level interventions. In this paper, we propose VESFlow, a training-free safety method tailored to flow matching with extremely few sampling steps. Leveraging the fact that flow matching models learn the marginal velocity, we directly edit the velocity field via a safe-conditional posterior. VESFlow steers the trajectory toward safe outputs while leaving the conditioning prompt unchanged. Building on the observation that VESFlow leaves outputs unchanged under benign prompts, we further introduce a risk score-based filtering that bypasses velocity editing to reduce computational cost while preserving benign prompt generation. Based on this filtering, we propose VESFlow+, a stronger variant of VESFlow that not only edits the velocity toward the safe direction, but also pushes it away from the unsafe direction. Experimental results show that VESFlow+ removes the target concept, reducing the attack success rate by NudeNet to 6.3% on Ring-A-Bell and 6.8% on MMA-Diffusion on the 4-step MeanFlow model, while preserving fidelity on benign prompts.
Abstract（参考訳）: フローマッチングは、最近、最先端のテキスト画像生成(T2I)のための強力なパラダイムとして登場し、少数のサンプリングステップで高品質な生成を可能にする。これらのモデルが現実世界のアプリケーションにますます統合されるにつれて、安全で非機密性の高いコンテンツ生成が重要な要件となっている。しかし、新しい世代のフレームワークに安全性と概念の除去手法を適用することは、依然としてオープンな課題である。特に、事前の手法は、多くの段階にわたる反復的な軌道ステアリングや、CLIP中心の急進的な埋め込み操作に大きく依存している。これらの設計仮定は、フローマッチングベースのT2I生成において、限られたサンプリングステップが反復的な修正を制限し、現代のコンテキスト対応テキストエンコーダが埋め込みレベルの介入の有効性を低下させる、基本的なボトルネックとなる。本稿では,非常に少ないサンプリングステップで,フローマッチングに適したトレーニング不要な安全手法であるVESFlowを提案する。流れマッチングモデルが限界速度を学習するという事実を利用して、安全条件後部を通した速度場を直接編集する。 VESFlowは、条件付けをそのままにして、安全な出力に向けて軌道を操縦する。 VESFlowの出力が良性なプロンプトで変化しないという観測に基づいて、ベロシティの編集を回避し、良性なプロンプト生成を保ちながら計算コストを削減できるリスクスコアベースのフィルタリングを導入する。このフィルタリングに基づいて,VESFlowのより強力な変種であるVESFlow+を提案する。実験の結果、VESFlow+はターゲット概念を排除し、NudeNetによる攻撃成功率をRing-A-Bellで6.3%、MeanFlowモデルでMMA-Diffusionで6.8%に削減し、良心的なプロンプトで忠実性を維持する。

関連論文リスト

SDFlow: Similarity-Driven Flow Matching for Time Series Generation [42.61146250886606]
我々は,凍結したVQ潜在空間で完全に動作する非自己回帰フレームワークであるSDFlowを提案する。 SDFlowは最先端の性能を実現し,識別スコアを向上し,コンテキストFIDを大幅に低減することを示す。
論文参考訳（メタデータ） (2026-05-07T06:28:18Z)
FlowGuard: Towards Lightweight In-Generation Safety Detection for Diffusion Models via Linear Latent Decoding [17.56754189325627]
拡散に基づく画像生成モデルは、Not-Safe-For-Work(NSFW)コンテンツを生成する可能性があるため、安全性のリスクが生じる。中間段階を検査するクロスモデルインジェネレーション検出フレームワークであるFlowGuardを紹介する。安全でないコンテンツを早期に検出することで、FlowGuardは計算コストを削減するために不要な拡散ステップを削減する。
論文参考訳（メタデータ） (2026-04-09T06:49:43Z)
EFlow: Fast Few-Step Video Generator Training from Scratch via Efficient Solution Flow [52.73538517981873]
EFlowは、ビデオ拡散トランスフォーマーのための効率的な数ステップのトレーニングフレームワークである。 Gated Local-Global Attentionはトークンドロップ可能なハイブリッドブロックである。 Path-Drop Guidedトレーニングは、高価なターゲットを計算的に安価で弱いパスに置き換える。
論文参考訳（メタデータ） (2026-03-28T02:06:55Z)
FastFlow: Accelerating The Generative Flow Matching Models with Bandit Inference [10.34801095627052]
フローマッチングモデルは、画像およびビデオ生成における最先端の忠実度を提供するが、固有のシーケンシャルなデノジングプロセスはそれらを遅くする。我々は,フローマッチングモデルの生成を高速化するプラグイン・アンド・プレイ適応型推論フレームワークであるFastFlowを提案する。実験では、高品質な出力を維持しながら2.6倍以上のスピードアップを示す。
論文参考訳（メタデータ） (2026-02-11T18:21:11Z)
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)
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)
ARMFlow: AutoRegressive MeanFlow for Online 3D Human Reaction Generation [48.716675019745885]
3次元の人間の反応生成は、高速な動きの忠実さ、リアルタイム推論、オンラインシナリオの自己回帰適応性という3つの大きな課題に直面している。動作と速度の時間依存性をモデル化する,MeanFlowベースの自動回帰フレームワークであるARMFlowを提案する。我々のシングルステップオンライン生成は、部分的なシーケンス条件のみを使用しながら、オフラインの最先端性能に適合しながら、InterHumanとInterXの既存のメソッドを40%以上FIDで上回ります。
論文参考訳（メタデータ） (2025-12-18T06:28:42Z)
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)
One-Step Generative Policies with Q-Learning: A Reformulation of MeanFlow [56.13949180229929]
ノイズを直接行動にマッピングするオフライン強化学習のための一段階の生成ポリシーを,MeanFlowの残留的な再構成を通じて導入する。本手法はオフライン・オフライン両方の強化学習環境において高い性能を実現する。
論文参考訳（メタデータ） (2025-11-17T06:34:17Z)
FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。条件設定では、太陽予測において優れた性能を達成している。
論文参考訳（メタデータ） (2024-11-12T03:03:23Z)
Improving the Training of Rectified Flows [14.652876697052156]
拡散モデルは画像生成とビデオ生成に大いに期待できるが、最先端モデルからのサンプリングには高コストの数値積分が必要である。この問題に対処するための1つのアプローチは整流流であり、これは繰り返し、トランケーションエラーの影響を受けにくい滑らかなODEパスを学習する。本研究は,NFEの低い環境下においても,改質流れを訓練するための改良手法を提案する。改良された改質流は, 整合蒸留, 進行蒸留といった最先端蒸留法を1段階, 2段階で上回った。
論文参考訳（メタデータ） (2024-05-30T17:56:04Z)

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。