論文の概要: Not All Prediction Targets Keep Training-Free Diffusion Guidance on the Manifold

• arxiv url: http://arxiv.org/abs/2607.00647v1
• Date: Wed, 01 Jul 2026 09:01:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.81953
• Title: Not All Prediction Targets Keep Training-Free Diffusion Guidance on the Manifold
• Title（参考訳）: すべての予測対象がトレーニング不要な拡散誘導をマニフォールドに維持するわけではない
• Abstract要約: トレーニングフリーガイダンス(TFG)は、事前訓練された拡散モデルを推論時に所望の属性に向けて操る。 $x$-prediction はクリーンイメージを直接出力し、高ノイズでもこのエラー源を除去する。 新しいきめ細かい鳥のベンチマークとスタイル転送の実験では、$x$-prediction が多様体上のガイドされたサンプルを最も確実に保持していることが確認された。
• 参考スコア（独自算出の注目度）: 8.273515492131198
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training-free guidance (TFG) steers a pretrained diffusion model toward a desired attribute at inference. To be effective, this guidance must be applied from the earliest, high-noise steps of sampling. Because its objective (a classifier or energy) is defined on clean images, $ε$- and $v$-prediction models must first estimate the clean image $\hat{x}$ from the noisy state at each step, and the accuracy of that estimate determines how easily guidance drifts off the data manifold. $x$-prediction, a recent alternative, outputs the clean image directly, removing this source of error even at high noise. This is our motivation. We provide a theoretical analysis of how each prediction target shapes this accuracy, and introduce guided-class FID (Child FID), a metric that exposes the manifold damage standard evaluation misses. Experiments on a new fine-grained bird benchmark and on style transfer confirm that $x$-prediction keeps guided samples on the manifold most reliably, making it the strongest foundation for training-free guidance. Code is available at https://github.com/ManLuML/on-manifold-tfg
• Abstract（参考訳）: トレーニングフリーガイダンス(TFG)は、事前訓練された拡散モデルを推論時に所望の属性に向けて操る。 効果的にするためには、このガイダンスをサンプリングの最も初期の高ノイズステップから適用する必要がある。 その目的(分類器やエネルギー)はクリーンなイメージ上で定義されるので、$ε$-および$v$-予測モデルはまず各ステップのノイズ状態からクリーンなイメージ$\hat{x}$を推定し、その推定の精度はデータ多様体からどれだけ容易に誘導がドリフトするかを決定する。 最近の代替である$x$-predictionはクリーンなイメージを直接出力し、ノイズの多い場合でもエラーの原因を取り除く。 これが私たちのモチベーションです。 本稿では, それぞれの予測対象がこの精度をどのように形成するかを理論的に分析し, 多様体損傷標準評価ミスを露呈する指標である案内クラスFID(Child FID)を導入する。 新しいきめ細かい鳥のベンチマークとスタイルの転送の実験では、$x$-predictionが多様体上のガイドされたサンプルを最も確実に保持していることが確認された。 コードはhttps://github.com/ManLuML/on-manifold-tfgで入手できる。

関連論文リスト

• Sample-Adaptive Latent Rewards for Uncertainty-Guided Diffusion Post-Training [51.18425726646089]
  我々は、画像とビデオの拡散モデルのための統合潜在空間フレームワークであるtextscSUREを提案する。 報酬分布を学習し、信頼性を直接利用して、密集したポストトレーニングをガイドする。 textscSURE-REFLは評価手法の中で最も高いVBench品質、セマンティック、総得点を達成する。
  論文  参考訳（メタデータ） (2026-08-06T14:55:42Z)
• x-Prediction Is All You Need:Training-Free Accelerated Generation via Endpoint Decodability [7.28668585578288]
  拡散およびフローマッチングモデルは高品質なサンプルを生成するが、そのODEサンプルは数十万のニューラルファンクション評価(NFE)を必要とすることが多い。 多くの加速器は再訓練、蒸留、軌道再設計を通じて追加の設計選択と訓練コストを必要とするため、これはリリースされたチェックポイントにとって実用的な課題である。 我々は$x$-predictionに基づいて異なる経路を探索する。 SDXL、SD3.5M、Z-Image-Turbo、および3つのクラス条件ベンチマークで、NFEをほぼ一致した品質で20-70%削減する。
  論文  参考訳（メタデータ） (2026-07-07T10:24:38Z)
• Learn to Guide Your Diffusion Model [84.82855046749657]
  本研究では,条件付き拡散モデルによる試料の品質向上手法について検討する。 誘導ウェイトは$omega_c,(s,t)$で、条件付き$c$、飾る時間$t$、飾る時間$s$の関数です。 我々は,モデルが報酬関数によって傾いた分布を目標にすることができるように,フレームワークを拡張して報酬付きサンプリングを行う。
  論文  参考訳（メタデータ） (2025-10-01T12:21:48Z)
• Prototypical Distillation and Debiased Tuning for Black-box Unsupervised Domain Adaptation [78.50990190076232]
  教師なしドメイン適応は、関連するラベルに富んだソースドメインからラベルのないターゲットドメインに知識を転送することを目的としている。 本稿では,ブラックボックスドメイン適応(Black-box domain adapt)と呼ばれる新しい設定を提案する。 我々は、$textbfPro$totypical $textbfD$istillationと$textbfD$ebiased tun$textbfing$という2段階のフレームワークを開発している。
  論文  参考訳（メタデータ） (2024-12-30T02:48:34Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Bridging the Gap: Addressing Discrepancies in Diffusion Model Training for Classifier-Free Guidance [1.6804613362826175]
  拡散モデルは、生成モデルにおいて重要な進歩として現れている。 本稿では,従来の訓練方法と所望の条件付きサンプリング行動との相違点を明らかにすることを目的とする。 トレーニング目標とサンプリング行動との整合性を向上する改良された損失関数を導入する。
  論文  参考訳（メタデータ） (2023-11-02T02:03:12Z)
• Label-Retrieval-Augmented Diffusion Models for Learning from Noisy Labels [61.97359362447732]
  ノイズの多いラベルからの学習は、実際のアプリケーションのための機械学習において、重要かつ長年にわたる問題である。 本稿では,生成モデルの観点からラベルノイズ問題を再構成する。 我々のモデルは、標準的な実世界のベンチマークデータセットで新しいSOTA(State-of-the-art)結果を達成する。
  論文  参考訳（メタデータ） (2023-05-31T03:01:36Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)

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。