Fugu-MT 論文翻訳(概要): Accelerated Likelihood Maximization for Diffusion-based Versatile Content Generation

論文の概要: Accelerated Likelihood Maximization for Diffusion-based Versatile Content Generation

arxiv url: http://arxiv.org/abs/2606.31323v1
Date: Tue, 30 Jun 2026 08:27:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-01 18:27:19.139512
Title: Accelerated Likelihood Maximization for Diffusion-based Versatile Content Generation
Title（参考訳）: 拡散型Versatileコンテンツ生成のための高速化された類似度最大化
Abstract要約: 逆拡散過程に統合された新しいトレーニング不要サンプリング戦略であるALM(Accelerated Likelihood Maximization)を導入する。予め生成した領域の制約によって失われた領域に暗黙的に影響を及ぼす従来の手法とは異なり、サンプリングプロセス中に観測されていない領域を直接最適化する。実験結果から、ALMは様々なデータ領域やタスクにおいて、最先端の手法よりも一貫して優れていることが示された。
参考スコア（独自算出の注目度）: 20.160227548587542
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generating diverse, coherent, and plausible content from partially given inputs remains a fundamental challenge for diffusion models. Existing approaches face clear limitations: training-based approaches offer strong task-specific results but require costly computation, and they generalize poorly across tasks. Training-free approaches offer better efficiency, but they do not explicitly optimize over unobserved variables, leading to globally inconsistent results. To address these limitations, we introduce Accelerated Likelihood Maximization (ALM), a novel training-free sampling strategy integrated into the reverse diffusion process that significantly extends the applicability of diffusion models beyond simple generation tasks. Unlike previous methods that implicitly influence missing regions through pre-generated region constraints, we directly optimize the unobserved region during the sampling process, enabling globally coherent and plausible generation. Furthermore, we incorporate an acceleration strategy that significantly improves computational efficiency without sacrificing performance. Experimental results demonstrate that ALM consistently outperforms state-of-the-art methods in various data domains and tasks, establishing a powerful paradigm for versatile content generation.
Abstract（参考訳）: 部分的に与えられた入力から多様でコヒーレントでプラウシブルなコンテンツを生成することは、拡散モデルの根本的な課題である。トレーニングベースのアプローチは、強いタスク固有の結果を提供するが、コストのかかる計算を必要とする。トレーニングなしのアプローチは効率が良いが、観測されていない変数を明示的に最適化するわけではない。これらの制約に対処するため、我々は、単純な生成タスクを超えて拡散モデルの適用性を著しく拡張する逆拡散プロセスに統合された、新しいトレーニングなしサンプリング戦略であるAccelerated Likelihood Maximization (ALM)を導入する。予め生成した領域の制約によって、消失した領域に暗黙的に影響を及ぼす従来の手法とは異なり、サンプリング中の未観測領域を直接最適化し、グローバルな一貫性とプラウシブルな生成を可能にする。さらに,性能を犠牲にすることなく計算効率を大幅に向上させる高速化戦略を取り入れた。実験の結果、ALMは様々なデータ領域やタスクにおいて最先端の手法を一貫して上回り、多目的コンテンツ生成の強力なパラダイムを確立していることがわかった。

関連論文リスト

DiffusionOPD: A Unified Perspective of On-Policy Distillation in Diffusion Models [55.01951088768769]
DiffusionOPDはオンライン政策蒸留(OPD)に基づく拡散モデルのための新しいマルチタスクトレーニングパラダイムである本研究では,DiffusionOPDがトレーニング効率と最終性能において,マルチリワードRLとカスケードRLのベースラインを一貫して上回っていることを示す。
論文参考訳（メタデータ） (2026-05-14T16:49:09Z)
Few-Step Diffusion Sampling Through Instance-Aware Discretizations [16.93105640007355]
正規あるいは微分方程式(ODEs/SDEs)で定義される経路をシミュレートして拡散・流れマッチングモデルにより高忠実度データを生成する本稿では、入力依存の事前情報に基づいてタイムステップアロケーションを適応させることを学習する、インスタンス対応の離散化フレームワークを提案する。提案手法は,トレーニングや無視可能な推論オーバーヘッドと比較して,限界チューニングコストで生成品質を継続的に向上する。
論文参考訳（メタデータ） (2026-03-18T12:49:38Z)
Scaling Online Distributionally Robust Reinforcement Learning: Sample-Efficient Guarantees with General Function Approximation [18.596128578766958]
分散ロバストなRL(DR-RL)は、不確実な遷移ダイナミクスの集合に対して最悪の性能を最適化することでこの問題に対処する。本稿では,環境との相互作用によって最適なロバストポリシーを純粋に学習する一般関数近似を用いたオンラインDR-RLアルゴリズムを提案する。本研究では,全変量不確実性セットの下でほぼ最適準線形後悔境界を確立する理論解析を行い,本手法の有効性と有効性を示す。
論文参考訳（メタデータ） (2025-12-22T02:12:04Z)
Align-Then-stEer: Adapting the Vision-Language Action Models through Unified Latent Guidance [63.33213516925946]
textbfAlign-Then-stEer(textttATE)は,新しいデータ効率,プラグアンドプレイ適応フレームワークである。我々の研究は、新しいロボットプラットフォームやタスクにVLAモデルをデプロイする実用性を大幅に向上させる、汎用的で軽量なソリューションを提供する。
論文参考訳（メタデータ） (2025-09-02T07:51:59Z)
Divergence Minimization Preference Optimization for Diffusion Model Alignment [66.31417479052774]
Divergence Minimization Preference Optimization (DMPO) は、逆KL分散を最小化して拡散モデルを整列する原理的手法である。 DMPOは、異なるベースモデルとテストセットで既存のテクニックを一貫して上回り、適合させることができる。
論文参考訳（メタデータ） (2025-07-10T07:57:30Z)
DiffMoE: Dynamic Token Selection for Scalable Diffusion Transformers [86.5541501589166]
DiffMoEはバッチレベルのグローバルトークンプールで、トレーニング中に専門家がグローバルトークンの配布にアクセスできるようにする。 ImageNetベンチマークの拡散モデル間での最先端のパフォーマンスを実現する。このアプローチの有効性は、クラス条件生成を超えて、テキスト・ツー・イメージ生成のようなより困難なタスクにも及んでいる。
論文参考訳（メタデータ） (2025-03-18T17:57:07Z)
E2ED^2:Direct Mapping from Noise to Data for Enhanced Diffusion Models [15.270657838960114]
拡散モデルは、視覚的生成モデリングにおけるデファクト・プライマリ・パラダイムとして確立されてきた。最終生成サンプルから初期雑音への直接最適化を実現する新しいエンドツーエンド学習パラダイムを提案する。 Fr'eche't Inception Distance (FID) と CLIP のスコアは,サンプリングステップが少なくても大幅に向上する。
論文参考訳（メタデータ） (2024-12-30T16:06:31Z)
Adaptive Non-uniform Timestep Sampling for Accelerating Diffusion Model Training [6.694752081172194]
データ分布が複雑化するにつれて、収束のためのトレーニング拡散モデルがますます複雑になる。より重要な時間ステップを優先する一様でない時間ステップサンプリング手法を提案する。提案手法は, 各種データセット, スケジューリング戦略, 拡散アーキテクチャにまたがるロバストな性能を示す。
論文参考訳（メタデータ） (2024-11-15T07:12:18Z)
On-the-fly Modulation for Balanced Multimodal Learning [53.616094855778954]
マルチモーダル学習は、異なるモーダルからの情報を統合することでモデル性能を向上させることが期待されている。広く使われている共同トレーニング戦略は、不均衡で最適化されていないユニモーダル表現につながる。そこで本研究では,OGM(On-the-fly Prediction Modulation)とOGM(On-the-fly Gradient Modulation)の戦略を提案する。
論文参考訳（メタデータ） (2024-10-15T13:15:50Z)
Diffusion Models as Constrained Samplers for Optimization with Unknown Constraints [55.39203337683045]
拡散モデルを用いてデータ多様体内で最適化を行う。目的関数の微分可能性に応じて,2つの異なるサンプリング手法を提案する。提案手法は,従来の最先端のベースラインよりも優れた,あるいは同等のパフォーマンスを実現する。
論文参考訳（メタデータ） (2024-02-28T03:09:12Z)
Score Regularized Policy Optimization through Diffusion Behavior [25.926641622408752]
オフライン強化学習の最近の進歩は拡散モデリングの潜在可能性を明らかにしている。本稿では,批判モデルと事前学習した拡散行動モデルから,効率的な決定論的推論ポリシーを抽出することを提案する。本手法は,移動作業における各種拡散法と比較して,動作サンプリング速度を25倍以上に向上させる。
論文参考訳（メタデータ） (2023-10-11T08:31:26Z)
A Simple but Tough-to-Beat Data Augmentation Approach for Natural Language Understanding and Generation [53.8171136907856]
カットオフと呼ばれる、シンプルで効果的なデータ拡張戦略のセットを紹介します。カットオフはサンプリング一貫性に依存しているため、計算オーバーヘッドが少なくなる。 cutoffは、敵のトレーニングを一貫して上回り、IWSLT2014 German- English データセットで最先端の結果を達成する。
論文参考訳（メタデータ） (2020-09-29T07:08:35Z)

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。