論文の概要: Perceptual Flow Matching for Few-Step Generative Modeling

• arxiv url: http://arxiv.org/abs/2607.03524v1
• Date: Fri, 03 Jul 2026 17:55:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.640222
• Title: Perceptual Flow Matching for Few-Step Generative Modeling
• Title（参考訳）: 数ステップ生成モデルのための知覚フローマッチング
• Authors: Chuyang Zhao, Yifei Song, Hongfa Wang, Jianlong Yuan, Yuan Zhang, Siming Fu, Zhineng Chen, Huilin Deng, Haoyang Huang, Nan Duan,
• Abstract要約: 知覚フローマッチング(Perceptual Flow Matching)は、フローマッチングモデルにおいて、数ステップ生成のためのフレームワークである。 PFMは、適切な表現空間で教師される際に、高品質な数ステップジェネレータを生成する。
• 参考スコア（独自算出の注目度）: 64.26537634881244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose Perceptual Flow Matching (PFM), a simple yet effective framework for few-step generation in flow-matching models. Rather than performing velocity regression in the conventional VAE latent space, PFM supervises flow matching in a perceptual feature space using pretrained perceptual models. This simple change substantially improves the few-step generation capability of flow-matching models, reducing the number of sampling steps from 35-50 to 4-8 while preserving generation quality. Unlike existing acceleration and distillation approaches, PFM requires neither teacher models nor auxiliary score networks and can be integrated into standard flow-matching training pipelines with minimal modifications. Extensive experiments on image generation, video generation, and image editing tasks demonstrate that PFM consistently produces high-quality results while producing fewer artifacts than existing distillation-based methods. We further show that perceptual supervision shifts the regression minimizer from mean-seeking to mode-seeking, biasing predictions toward on-manifold modes that remain accurate under coarse few-step integration. Our results reveal that standard flow-matching training can naturally yield high-quality few-step generators when supervised in an appropriate representation space. We hope this insight inspires future research into representation-aware objectives for efficient generative modeling.
• Abstract（参考訳）: 本稿では,フローマッチングモデルにおける数ステップ生成のための簡易かつ効果的なフレームワークであるPerceptual Flow Matching (PFM)を提案する。 従来のVAE潜時空間で速度回帰を行う代わりに、PFMは事前学習された知覚モデルを用いて知覚特徴空間におけるフローマッチングを監督する。 この単純な変更により、フローマッチングモデルの数ステップ生成能力が大幅に向上し、生成品質を維持しながらサンプリングステップの数が35～50から4～8に減少する。 既存の加速と蒸留のアプローチとは異なり、PFMは教師モデルも補助的なスコアネットワークも必要とせず、最小限の変更で標準的なフローマッチングトレーニングパイプラインに統合できる。 画像生成, 映像生成, 画像編集タスクに関する大規模な実験により, PFMは既存の蒸留法よりも少ない成果を出しながら, 常に高品質な結果が得られることを示した。 さらに、知覚的監督は、回帰最小化器を平均探索からモード探索へシフトさせ、偏差予測を、粗い数段階の統合の下で正確なオン・マニフォールドモードへとシフトさせることを示した。 この結果から,標準的なフローマッチング学習は,適切な表現空間で教師された場合,自然に高品質な数ステップ生成を行うことができることがわかった。 この知見が、効率的な生成モデルのための表現対応の目的に関する将来の研究を刺激することを期待している。

関連論文リスト

• Mean Flow Distillation: Robust and Stable Distillation for Flow Matching Models [34.59515048908997]
  Mean Flow Distillation (MFD) はフローマッチングモデルに適した新しい蒸留フレームワークである。 MFDは時間的低域通過フィルタとして機能し、高周波最適化ノイズを効果的に抑制する。 平均流整合定理を証明し、一致した平均速度が厳密な分布アライメントに十分であることを示す。
  論文  参考訳（メタデータ） (2026-06-09T17:39:19Z)
• Drift Flow Matching [69.16550765154163]
  ドリフトフローマッチング(Drift Flow Matching)は,ドリフト生成モデルとフローベース反復生成を結びつけるフレームワークである。 DFMは直接輸送マップの効率を保ちつつ、複数の推論ステップを通じて生成を洗練させる。
  論文  参考訳（メタデータ） (2026-05-17T03:58:01Z)
• Physical Fidelity Reconstruction via Improved Consistency-Distilled Flow Matching for Dynamical Systems [3.692960109077297]
  本研究では,高速な科学的フロー再構成のためのコンパクトなワンステップモデルに高忠実なフローマッチング生成モデルを圧縮できるかどうかを考察する。 提案手法は, 最適流路整合型教師を1ステップの整合性モデルに抽出する。 輸送路沿いのノイズ観測から生成軌道を初期化することにより,低忠実度観測を推論時に組み込む。
  論文  参考訳（メタデータ） (2026-05-07T10:20:50Z)
• A-FloPS: Accelerating Diffusion Sampling with Adaptive Flow Path Sampler [21.134678093577193]
  A-FloPSは、フローベースの生成モデルのための原則化された、トレーニング不要のフレームワークである。 A-FloPSは, 試料品質と効率の両面において, 最先端のトレーニング不要サンプリング器より一貫して優れていることを示す。 5ドルの関数評価で、A-FloPSはFIDを大幅に低くし、よりシャープでコヒーレントな画像を生成する。
  論文  参考訳（メタデータ） (2025-08-22T13:28:16Z)
• Align Your Flow: Scaling Continuous-Time Flow Map Distillation [63.927438959502226]
  フローマップは、任意の2つのノイズレベルを1ステップで接続し、すべてのステップカウントで有効に保ちます。 画像生成ベンチマークにおいて、Align Your Flowと呼ばれるフローマップモデルを広範囲に検証する。 テキスト条件付き合成において、既存の非横断的訓練された数ステップのサンプルよりも優れたテキスト間フローマップモデルを示す。
  論文  参考訳（メタデータ） (2025-06-17T15:06:07Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• PFCM: Poisson flow consistency models for low-dose CT image denoising [3.3153763098433258]
  PFCMは,PFGM++のロバスト性と一貫性モデルの効率的な単一ステップサンプリングを組み合わせた,深層生成モデルの新たなファミリーである。 我々は, PFCM を低用量CT画像復調作業に応用するために, 生成過程をハイジャックするタスク種別サンプリング装置を用いて活用する。 その結果, LPIPS, SSIM, PSNRを用いて, マヨ低線量CTデータセット上で優れた性能を示した。
  論文  参考訳（メタデータ） (2024-02-13T01:39:56Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)

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。