論文の概要: Variance Reduction on the Camera Axis: Multi-View Score Distillation for 3D

• arxiv url: http://arxiv.org/abs/2606.29964v1
• Date: Mon, 29 Jun 2026 08:41:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.133
• Title: Variance Reduction on the Camera Axis: Multi-View Score Distillation for 3D
• Title（参考訳）: カメラ軸のばらつき低減:3次元マルチビュースコア蒸留
• Abstract要約: スコア蒸留は事前訓練された2次元拡散モデルを3次元生成器に変えるが、ステップごとの勾配はランダムに選択された1つの視点から推定される。 以前の作業では、マルチビューデータに先立って拡散をトレーニングすることで、この問題に対処している。 代わりにサンプリング軸を分離する。
• 参考スコア（独自算出の注目度）: 0.30586855806896046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Score distillation turns a pretrained 2D diffusion model into a 3D generator, but the per-step gradient is estimated from a single randomly chosen view: it is high-variance and blind to global shape consistency. Prior work addresses this by retraining the diffusion prior on multi-view data; this improves consistency but makes the sampling contribution inseparable from prior quality. We instead isolate the sampling axis. The per-step gradient is one noisy sample of an expectation over views; aggregating K samples per step at a fixed total UNet budget reduces variance without touching the prior. We introduce Multi-View Aggregated Score Distillation (MV-SDI), which aggregates gradients from K views per step via gradient accumulation, keeping peak memory unchanged and the 2D prior frozen, and draws views as antithetic antipodal pairs, a prior-independent geometric property, for balanced angular coverage. At a fixed 10,000-UNet-call budget, K=2 raises CLIP R-Precision from 74.8% to 83.8% and CLIP score from 0.297 to 0.312, with consistent gains on HPSv2 and ImageReward and a 0.0% divergence rate on the 43-prompt benchmark; optimization steps halve as a consequence. K=4 gives a fourfold step reduction at R-Precision 86.9% and CLIP 0.307, still well above the single-view baseline on every alignment metric. MV-SDI is compatible with gradient-based score-distillation pipelines, including Score Distillation via Inversion, and requires no retraining and no multi-view data.
• Abstract（参考訳）: スコア蒸留は、事前訓練された2次元拡散モデルを3次元生成器に変えるが、ステップごとの勾配は、1つのランダムに選択された視点から推定される。 事前の作業では、マルチビューデータに先立って拡散をトレーニングすることでこの問題に対処する。 代わりにサンプリング軸を分離する。 ステップごとの勾配はビューに対する期待のノイズの1つであり、固定された全UNet予算でのステップ毎のKサンプルの集約は、事前に触れることなくばらつきを低減する。 我々は,段階ごとのKビューからの勾配を勾配蓄積により集約し,ピークメモリを一定に保ち,2D先行凍結する多視点凝集スコア蒸留(MV-SDI)を導入し,アンティテティックな幾何学的特性であるアンチポッド対としてビューを描画する。 固定1万UNetコールの予算では、K=2はCLIP R-Precisionを74.8%から83.8%に引き上げ、CLIPスコアを0.297から0.312に引き上げ、HPSv2とImageRewardは一貫して上昇し、43-promptベンチマークでは0.0%のばらつき率を示した。 K=4は、R-精度86.9%とCLIP 0.307の4倍のステップ減少を与える。 MV-SDIは、Inversionによるスコア蒸留を含む勾配ベースのスコア蒸留パイプラインと互換性があり、再トレーニングやマルチビューデータを必要としない。

関連論文リスト

• Spectral Gradient Orthogonalization Improves Differentially Private Training at Scale [17.610398782149293]
  空間的相関が勾配エネルギーを低ランクの部分空間に集中させる視覚モデルでは、ほとんどのノイズは信号がほとんどない方向に落ちる。 偏極分解によるスペクトル勾配直交化は後処理ステップとして導入される。 直交スペクトル信号対雑音比(SNR)が特異ベクトル回復に十分である場合にのみ精度が向上する。
  論文  参考訳（メタデータ） (2026-08-18T06:35:26Z)
• Soft-Constrained Optimization of Latent Space in Variational Autoencoders [15.27508597551075]
  VAEトレーニングを,両者に対処するソフト制約付き最適化問題として定式化する。 低エントロピーの離散因子は1つの潜伏変数にマージする傾向にあるが、高エントロピーの連続因子は複数の変数に分散している。 また、低エントロピーの離散因子は1つの潜伏変数にマージする傾向にあり、一方高エントロピーの連続因子は複数の変数に分散する。
  論文  参考訳（メタデータ） (2026-07-26T16:52:35Z)
• Surflo: Consistent 3D Surface Flow Model with Global State [57.57234680235885]
  Surfloは、方向付けられた3次元表面点を、ノイズからフローマッチングを通じて独立して表面へ輸送することでデコードする。 独立なポイント単位の復号化に固有の局所的不整合を抑制するために、光度勾配を注入することにより、推定時間誘導項が近傍の点と相関する。 Surfloは、サーフェスメトリクスのフィードフォワードベースラインにマッチし、数百のビューを必要とする最適化ベースのメソッドよりも桁違いに高速に動作し、グローバルなラテントと任意の解像度のデコーディングを組み合わせた唯一のフィードフォワードアプローチである。
  論文  参考訳（メタデータ） (2026-06-11T17:48:38Z)
• AnyFlow: Any-Step Video Diffusion Model with On-Policy Flow Map Distillation [70.80207977907908]
  フローマップをベースとした,最初のノンステップビデオ拡散蒸留フレームワークであるAnyFlowを紹介した。 我々は、AnyFlowがいくつかの段階において、パフォーマンスの一致を達成するか、一貫性ベースの結果を上回ることを示す。
  論文  参考訳（メタデータ） (2026-05-13T16:06:34Z)
• Two-View Accumulation as the Primary Training Lever for Hybrid-Capture Gaussian Splatting: A Variance-Decomposition View of When Gradient Surgery Helps [7.6889618752994595]
  ハイブリッドキャプチャーノベルビュー合成は、かなり異なるカメラビューを組み合わせる。 標準3DGSは、ステップ毎に1つのレンダリングビューで30Kイテレーションでトレーニングされている。 本稿では,この発見を予測・説明する分散分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-29T17:45:51Z)
• FSampler: Training Free Acceleration of Diffusion Sampling via Epsilon Extrapolation [0.0]
  FSamplerは、NFE(Function Evaluations)の数を削減して拡散サンプリングを加速するトレーニングフリーのサンプル実行層である。 FSamplerは、最近の実モデル呼び出しからの信号の分解の歴史を短く保ち、有限差分予測器を用いて次のエプシロンを外挿する。 サンプルレベルで動作するFSamplerは、Euler/DDIM、DPM++ 2M/2S、LMS/AB2、RESファミリー指数的マルチステップメソッドと統合されている。
  論文  参考訳（メタデータ） (2025-11-12T10:21:25Z)
• Environment-Aware Indoor LoRaWAN Path Loss: Parametric Regression Comparisons, Shadow Fading, and Calibrated Fade Margins [3.776919981139063]
  内部のLoRaWAN伝播は、構造的および時間的変化の文脈因子によって形成される。 リークセーフなクロスバリデーションを用いて評価した,環境に配慮した統計的に規律のある経路損失フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-05T20:14:48Z)
• Ensemble Threshold Calibration for Stable Sensitivity Control [0.0]
  本稿では,数千万組の幾何対もの幾何に対して,過度に分散した正確なリコールを実現するエンド・ツー・エンドのフレームワークを提案する。 我々のアプローチは、小さなエラーで常にリコールターゲットにヒットし、他のキャリブレーションと比較して冗長な検証を減らし、単一のTPU v3コア上でエンドツーエンドで実行します。
  論文  参考訳（メタデータ） (2025-10-02T15:22:28Z)
• Unlocking Dataset Distillation with Diffusion Models [12.306628722616631]
  LD3Mは、事前学習された潜水拡散モデルにより、勾配に基づく蒸留潜水とクラス埋め込みを学習する。 LD3Mは128x128と256x256の複数のImageNetサブセットで、ダウンストリームの精度を4.8ポイント(1 IPC)と4.2ポイント(10 IPC)に改善している。
  論文  参考訳（メタデータ） (2024-03-06T17:41:41Z)
• SCott: Accelerating Diffusion Models with Stochastic Consistency Distillation [74.32186107058382]
  本稿では,テキスト・画像の高速生成を実現するために,SCott(Consistency Distillation)を提案する。 SCottは、訓練済みの教師モデルの通常の微分方程式解法に基づくサンプリングプロセスを学生に蒸留する。 安定拡散V1.5教師によるMSCOCO-2017 5Kデータセットでは、SCottは2ステップのサンプリングステップを持つ21.9のFIDを達成し、1ステップのInstaFlow (23.4)と4ステップのUFOGen (22.1)を上回ります。
  論文  参考訳（メタデータ） (2024-03-03T13:08:32Z)
• SteinDreamer: Variance Reduction for Text-to-3D Score Distillation via Stein Identity [70.32101198891465]
  スコア蒸留における勾配推定は, 分散度が高いことが示唆された。 本稿では,Stin Score Distillation (SSD) と呼ばれる,スコア蒸留の分散を低減するための,より一般的な解を提案する。 我々はSteinDreamerがより安定した勾配更新により既存の方法よりも高速に収束できることを実証した。
  論文  参考訳（メタデータ） (2023-12-31T23:04:25Z)
• Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions [77.32043242988738]
  我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。 提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
  論文  参考訳（メタデータ） (2023-04-24T06:36:35Z)
• Dataset Distillation with Convexified Implicit Gradients [69.16247946639233]
  メタ段階更新の計算に暗黙の勾配を効果的に利用できるかを示す。 さらに,凍結した有限幅ニューラルネットワーク上での学習に対応する凸近似をアルゴリズムに装備する。
  論文  参考訳（メタデータ） (2023-02-13T23:53:16Z)

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。