論文の概要: Class-frequency Guided Noise Schedule for Diffusion Models

• arxiv url: http://arxiv.org/abs/2606.27696v1
• Date: Fri, 26 Jun 2026 03:43:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.364265
• Title: Class-frequency Guided Noise Schedule for Diffusion Models
• Title（参考訳）: 拡散モデルのためのクラス周波数誘導ノイズスケジュール
• Abstract要約: まず,拡散モデルにおけるクラス周波数とマルチスケールノイズスケジュールの相関について検討する。 我々は,低周波クラスに大規模ノイズを付与すべきという知見を生かして,TextitClass- frequency Guided (CFRG)ノイズスケジュールを提案する。
• 参考スコア（独自算出の注目度）: 83.19018650759415
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we are the first to examine the correlations between class frequency and the multi-scale noise schedule within diffusion models. For score-based generative models, low-density regions often lead to inaccurately estimated scores, thereby compromising the generation quality. Although the multi-scale noise schedule can alleviate this issue during the diffusion process, low-frequency classes still face the challenge of large low-density regions, resulting in more inaccurate estimated scores than high-frequency classes. Furthermore, high-frequency classes tend to dominate the score space, causing a convergence of most data points towards generating samples from these classes. Consequently, samples generated within low-frequency classes exhibit suboptimal quality and limited diversity. To address this challenge, we propose the \textit{Class-frequency Guided (CFRG)} noise schedule, leveraging the insight that low-frequency classes should be endowed with larger-scale noises. To illustrate the effectiveness of our method, we conduct experiments on various tasks, including image generation, image classification, and text-to-image generation, using imbalanced datasets, \textit{i.e.}, CIFAR-100-LT, and ImageNet-LT. By employing the CFRG noise schedule, we achieve substantial improvements over baselines, manifesting the crucial role of frequency statistics in noise schedule design.
• Abstract（参考訳）: 本稿では,拡散モデルにおけるクラス周波数とマルチスケールノイズスケジュールの相関について検討する。 スコアベースの生成モデルでは、低密度領域はしばしば不正確な評価スコアを導き、それによって生成品質を損なう。 マルチスケールノイズスケジュールは拡散過程においてこの問題を軽減することができるが、低周波クラスは依然として大きな低密度領域の課題に直面しており、その結果、高周波クラスよりも不正確な推定スコアが得られる。 さらに、高周波クラスはスコア空間を支配する傾向にあり、ほとんどのデータポイントがこれらのクラスからサンプルを生成するために収束する。 その結果、低周波クラスで生成されたサンプルは、最適以下の品質と限られた多様性を示す。 この課題に対処するために,低周波クラスに大規模ノイズを付与すべきという知見を生かした『textit{Class- frequency Guided (CFRG)』ノイズスケジュールを提案する。 提案手法の有効性を説明するため,画像生成,画像分類,テキスト・ツー・イメージ生成など,不均衡なデータセット,textit{i.e.},CIFAR-100-LT,ImageNet-LTを用いて様々なタスクについて実験を行った。 CFRGノイズスケジュールを用いることで、ベースラインよりも大幅に改善され、ノイズスケジュール設計において周波数統計が重要な役割を担っていることを示す。

関連論文リスト

• FAHCD-Net: Frequency-Adaptive Heatmap-Conditional Diffusion Networks for Robust Facial Landmark Detection [4.9271715782923335]
  周波数適応型熱マップ型拡散ネットワーク(FAHCD-Net)を提案する。 FAHCD-Netは、周波数適応型ヒートマップ・Conditional Diffusion(FAHCD)モデルを統合する。 一般的なベンチマーク実験では,提案手法の有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2026-09-15T08:36:20Z)
• FrequencyCT: Frequency domain pseudo-label generation for self-supervised low-dose CT denoising [8.709309633329585]
  周波数CTは低用量CTにおける周波数領域における擬似ラベル生成のための最初のゼロショット自己教師法である。 高周波領域における位相保存振幅変調とマスク摂動は、自己監督のための擬似ラベルデータを生成する。
  論文  参考訳（メタデータ） (2026-05-11T13:55:03Z)
• Information-Guided Noise Allocation for Efficient Diffusion Training [50.49440376762109]
  InfoNoiseはデータ適応型トレーニングノイズスケジュールであり、スケジュール設計を情報誘導型ノイズサンプリング分布に置き換える。 自然画像のベンチマーク全体において、InfoNoiseはEDMスタイルのスケジュールにマッチするか、あるいは超えている。 全体としてInfoNoiseは、ノイズスケジューリングをデータ適応化し、拡散モデルがドメイン全体に広がるにつれて、データセットごとのスケジュール設計の必要性を減らす。
  論文  参考訳（メタデータ） (2026-02-20T22:45:01Z)
• Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
  ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。 NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
  論文  参考訳（メタデータ） (2025-10-14T13:31:34Z)
• Noise Conditional Variational Score Distillation [60.38982038894823]
  騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。 この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
  論文  参考訳（メタデータ） (2025-06-11T06:01:39Z)
• Improved Noise Schedule for Diffusion Training [51.849746576387375]
  本稿では,拡散モデルのトレーニングを強化するため,ノイズスケジュールを設計するための新しい手法を提案する。 我々は,標準のコサインスケジュールよりもノイズスケジュールの方が優れていることを実証的に示す。
  論文  参考訳（メタデータ） (2024-07-03T17:34:55Z)
• Blue noise for diffusion models [50.99852321110366]
  本稿では,画像内および画像間の相関雑音を考慮した拡散モデルを提案する。 我々のフレームワークは、勾配流を改善するために、1つのミニバッチ内に画像間の相関を導入することができる。 本手法を用いて,各種データセットの質的,定量的な評価を行う。
  論文  参考訳（メタデータ） (2024-02-07T14:59:25Z)
• DuDGAN: Improving Class-Conditional GANs via Dual-Diffusion [2.458437232470188]
  GAN(Generative Adversarial Network)を用いたクラス条件画像生成について,様々な手法を用いて検討した。 本稿では,DuDGANと呼ばれる2次元拡散型ノイズ注入法を取り入れたGANを用いたクラス条件画像生成手法を提案する。 提案手法は,画像生成のための現状条件付きGANモデルよりも性能的に優れている。
  論文  参考訳（メタデータ） (2023-05-24T07:59:44Z)

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。