論文の概要: MUSE: Unlocking Timestep as Native Task Steering for One-Step Dense Prediction
- arxiv url: http://arxiv.org/abs/2606.30370v1
- Date: Mon, 29 Jun 2026 14:34:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.281122
- Title: MUSE: Unlocking Timestep as Native Task Steering for One-Step Dense Prediction
- Title（参考訳）: MUSE: ワンステップDense予測のためのネイティブタスクステアリングとしてのタイムステップのアンロック
- Abstract要約: 単分子密度予測は、最近、事前学習された拡散モデルの再利用によって顕著な成功を収めた。
既存のマルチタスク拡散法は、パラメータの多いアダプタ、専門家、学習可能なタスクトークンを導入し、計算冗長性をもたらすことが多い。
本稿では,パラメータフリーの単一モデルマルチタスク手法であるMUSE(Multi-task Unified eStimation via timestep Embedding)を提案する。
- 参考スコア（独自算出の注目度）: 6.85882931776959
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Monocular dense prediction has recently seen remarkable success by repurposing pre-trained diffusion models. This opens a promising yet challenging avenue for more efficient multi-task learning paradigm. However, existing multi-task diffusion methods often introduce parameter-heavy adapters, experts, or learnable task tokens, leading to computational redundancy. In this paper, we reveal an inherent mechanism within one-step diffusion models: the native, fixed sinusoidal timestep embedding can be repurposed as an endogenous task steering signal. Based on this discovery, we propose Multi-task Unified eStimation via timestep Embedding (MUSE), a parameter-free, single-model multi-tasking approach for dense prediction. We interpret this mechanism via Manifold Decoupling, where discrete, fixed timestep values deterministically steer the generation process towards decoupled, task-specific manifolds in the latent space. Extensive experiments across 10 datasets demonstrate that MUSE achieves highly competitive performance on both monocular depth and normal estimation, and its efficacy generalizes across U-Net and DiT architectures. Our work offers a concise and efficient path toward generalist vision models by simply unlocking the latent potential of existing generation infrastructure.
- Abstract（参考訳）: 単分子密度予測は、最近、事前学習された拡散モデルの再利用によって顕著な成功を収めた。
これは、より効率的なマルチタスク学習パラダイムのための、有望だが挑戦的な道を開く。
しかし、既存のマルチタスク拡散法は、しばしばパラメータの多いアダプタ、専門家、学習可能なタスクトークンを導入し、計算冗長性をもたらす。
本稿では,一段階拡散モデルに固有のメカニズムを明らかにする。固定正弦波の時間ステップ埋め込みを内因性タスクステアリング信号として再利用することができる。
この発見に基づいて、高密度予測のためのパラメータフリー単一モデルマルチタスクアプローチであるMUSE(Multi-task Unified eStimation)を提案する。
我々は、この機構をマニフォールドデカップリング(Manifold Decoupling)を通して解釈し、離散的、固定時間ステップの値は、潜在空間における非結合なタスク固有多様体への生成過程を決定論的に制御する。
10のデータセットにわたる大規模な実験により、MUSEは単眼深度と正常推定の両方で高い競争性能を達成し、その有効性はU-NetとDiTアーキテクチャで一般化されている。
我々の研究は、既存の世代インフラの潜在可能性の解放を単純にすることで、汎用的なビジョンモデルへの簡潔で効率的な道筋を提供する。
関連論文リスト
- Essential Subspace Merging for Multi-Task Learning [78.5390284258307]
タスク更新によって引き起こされる出力シフトを分析し、そのエネルギーが少数の主方向に集中していることを確認する。
残りのほとんどの方向は、タスク関連エネルギーをほとんど持たないが、複数のタスク更新にまたがる蓄積は、マージ中に深刻な干渉を引き起こす可能性がある。
ESDに基づいて,トレーニング不要な静的マージ手法であるEssential Subspace Merging (ESM)を導入する。
ESMをトレーニング不要な動的マージメソッドであるESM++に拡張し、タスク固有の残留物を低ランクの専門家に分解する。
論文 参考訳（メタデータ） (2026-06-17T15:07:11Z) - Learning Multi-Modal Trajectory Policies for Data-Efficient Robotic Manipulation [21.99077052779724]
MATE (Multi-Modal MoE) は、MoE上に構築された新しい軌道予測フレームワークである。
細粒度サブモーダルコサインを実現するためのマルチモーダルMOEアーキテクチャを導入し、安定かつスケール不変なエキスパートアサインのためのクロスモーダルルータを設計する。
ロボットピンポンの実験では、私たちのMATEはデータ不足下での作業よりもずっと優れています。
論文 参考訳（メタデータ） (2026-05-31T06:35:10Z) - Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。
Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。
Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-03-12T14:36:53Z) - Task-oriented Learnable Diffusion Timesteps for Universal Few-shot Learning of Dense Tasks [48.86985692711283]
現在の拡散モデルに基づくアプリケーションは、マルチステップ前方のマルコフ過程から学習された視覚表現のパワーを単一タスク予測タスクに利用している。
本稿では,タスク認識型タイムステップ選択(TTS)と,その選択したタイムステップ機能を統合するTFC(Timestep Feature Consolidation)の2つのモジュールを提案する。
本フレームワークは,少数のサポートクエリのみを考慮すれば,高密度な予測性能を効果的に実現している。
論文 参考訳（メタデータ） (2025-12-29T05:19:01Z) - Uniform Discrete Diffusion with Metric Path for Video Generation [103.86033350602908]
連続空間ビデオ生成は急速に進歩し、離散的なアプローチはエラーの蓄積と長時間の矛盾により遅れている。
我々は、拡張性のあるビデオ生成のための連続的なアプローチでギャップを埋める強力なフレームワークであるUniform Generative ModelingとUniform pAth(URSA)を提案する。
URSAは既存の離散的手法を一貫して上回り、最先端の連続拡散法に匹敵する性能を達成する。
論文 参考訳（メタデータ） (2025-10-28T17:59:57Z) - A Wireless Foundation Model for Multi-Task Prediction [50.21098141769079]
多様な予測区間をサポートする無線ネットワークにおけるマルチタスク予測のための統合基盤モデルを提案する。
大規模データセットをトレーニングした後、提案した基礎モデルは、新しいタスクにおいて、目に見えないシナリオとゼロショットのパフォーマンスに強力な一般化を示す。
論文 参考訳（メタデータ） (2025-07-08T12:37:55Z) - MultiMAE Meets Earth Observation: Pre-training Multi-modal Multi-task Masked Autoencoders for Earth Observation Tasks [11.359741665798195]
本稿では,地球観測(EO)データに対する,より柔軟なマルチモーダル・マルチタスク事前学習戦略について検討する。
具体的には,マルチモーダルなマルチタスク・マスケッド・オートエンコーダ(MultiMAE)を採用し,多様な入力モダリティを再構成することによって事前学習を行う。
提案手法は,モダリティ固有の事前学習モデルを必要とせず,多様な入力構成を処理し,高い柔軟性を示す。
論文 参考訳（メタデータ） (2025-05-20T22:24:36Z) - Sports-Traj: A Unified Trajectory Generation Model for Multi-Agent Movement in Sports [53.637837706712794]
任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。
具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを紹介する。
バスケットボールU,サッカーU,サッカーUの3つの実践的スポーツデータセットをベンチマークして評価を行った。
論文 参考訳（メタデータ） (2024-05-27T22:15:23Z) - T-REX: Mixture-of-Rank-One-Experts with Semantic-aware Intuition for Multi-task Large Language Model Finetuning [31.276142111455847]
大規模言語モデル(LLM)は多様なマルチタスクの微調整において重要な適応課題に直面している。
我々はmixunderlinetextbfTureunderlinetextbf-of-underlinetextbfRank-onunderlinetextbfE-eunderlinetextbfXper ts (textttT-REX) という新しいフレームワークを設計する。
Rank-1のエキスパートは、ミックス・アンド・マッチのメカニズムにより、線形パラメータのオーバーヘッドを持つエキスパートのベクトル部分空間を2次に拡張し、最適で近似誤差削減を達成することができる。
論文 参考訳（メタデータ） (2024-04-13T12:14:58Z) - GDTS: Goal-Guided Diffusion Model with Tree Sampling for Multi-Modal Pedestrian Trajectory Prediction [15.731398013255179]
マルチモーダル軌道予測のための木サンプリングを用いたゴールガイド拡散モデルを提案する。
2段階のツリーサンプリングアルゴリズムが提案され、一般的な特徴を活用して推論時間を短縮し、マルチモーダル予測の精度を向上させる。
実験により,提案フレームワークは,公開データセットにおけるリアルタイム推論速度と同等の最先端性能を達成できることが実証された。
論文 参考訳（メタデータ） (2023-11-25T03:55:06Z) - Perceiver-based CDF Modeling for Time Series Forecasting [25.26713741799865]
本稿では,時系列データの累積分布関数(CDF)をモデル化するための新しいアーキテクチャであるPerceiver-CDFを提案する。
提案手法は,マルチモーダル時系列予測に適したコプラに基づくアテンション機構と,知覚アーキテクチャを組み合わせたものである。
単調かつマルチモーダルなベンチマークの実験は、最先端の手法よりも20%改善されていることを一貫して示している。
論文 参考訳（メタデータ） (2023-10-03T01:13:17Z) - Diffusion Model is an Effective Planner and Data Synthesizer for
Multi-Task Reinforcement Learning [101.66860222415512]
Multi-Task Diffusion Model (textscMTDiff) は、トランスフォーマーのバックボーンを組み込んだ拡散に基づく手法であり、生成計画とデータ合成のための素早い学習を行う。
生成計画において、textscMTDiffはMeta-World上の50のタスクとMaze2D上の8のマップで最先端のアルゴリズムより優れています。
論文 参考訳（メタデータ） (2023-05-29T05:20:38Z)
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。