論文の概要: Unified Backbone Refinement for Diffusion Models via Internal-Latent Analysis

• arxiv url: http://arxiv.org/abs/2607.09753v1
• Date: Sat, 04 Jul 2026 13:24:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.178197
• Title: Unified Backbone Refinement for Diffusion Models via Internal-Latent Analysis
• Title（参考訳）: 内部潜時間解析による拡散モデルのための統一バックボーン微細化
• Abstract要約: 深層低雑音内潜音における急激な偏差を検出する訓練自由化フレームワークであるDUNE(Diffusion Unified Network refiNEr)を紹介する。 U-Netから派生したものの、同じ検出抑圧原理はトランスフォーマーベースの拡散モデルに自然に拡張され、深い自己注意ブロックの潜伏部に作用する。
• 参考スコア（独自算出の注目度）: 27.484759967201523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models have achieved remarkable success across diverse domains, with performance closely related to the denoising backbones that parameterize the score function. In this paper, we present a systematic, phase-aware analysis of diffusion components and show that abrupt, early-stage fluctuations in deep latents are strongly associated with artifacts. Guided by these findings, we introduce DUNE (Diffusion Unified Network refiNEr), a training-free refinement framework that detects abrupt deviations in deep low-noise internal latents using a shared EMA-based criterion, and applies backbone-specific suppression to the detector-selected entries. Although derived from U-Net, the same detect-suppress principle extends naturally to Transformer-based diffusion models by acting on the latents of deep self-attention blocks. Extensive experiments across multiple backbones indicate that DUNE improves fidelity while reducing hallucinations, offering new insight into where and when diffusion backbones should be controlled.
• Abstract（参考訳）: 拡散モデルは様々な領域で顕著な成功を収めており、スコア関数をパラメータ化するバックボーンの認知と性能は密接に関連している。 本稿では,拡散成分の系統的位相認識分析を行い,深層潜水槽の急激な早期変動が人工物と強く関連していることを示す。 本研究はDiffusion Unified Network refiNEr(Diffusion Unified Network refiNEr)について紹介した。Diffusion Unified Network refiNErは、EMAベースの共有基準を用いて、深い低雑音内部潜伏状態の急激な偏差を検知し、検出器選択エントリにバックボーン特異的な抑制を適用したトレーニングフリーリファインメントフレームワークである。 U-Netから派生したものの、同じ検出抑圧原理はトランスフォーマーベースの拡散モデルに自然に拡張され、深い自己注意ブロックの潜伏部に作用する。 複数のバックボーンにわたる大規模な実験により、DUNEは幻覚を減少させ、拡散バックボーンをどこでいつ制御すべきかの新しい知見を提供する。

関連論文リスト

• Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
  拡散モデルは、顕著な品質で高次元データを生成する。 彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。 我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
  論文  参考訳（メタデータ） (2026-05-16T16:51:10Z)
• Kidney Cancer Detection Using 3D-Based Latent Diffusion Models [0.5910408333592895]
  本研究は, 弱教師付き異常検出のための3次元潜伏拡散の可能性と可能性を示す。 以上の結果から, 複雑な腹部解剖のアノテーション効率, 生成的モデリングへの重要な一歩が示唆された。
  論文  参考訳（メタデータ） (2026-01-09T15:30:00Z)
• Causal Discovery with Mixed Latent Confounding via Precision Decomposition [0.0]
  微分可能およびスコアベースDAG学習者は、グローバル潜伏効果を因果エッジと誤解釈することができる。 我々は,これらの役割を分離したモジュール型高精度パイプラインであるtextscDCL-DECORを提案する。
  論文  参考訳（メタデータ） (2025-12-31T08:03:41Z)
• Boosting Fidelity for Pre-Trained-Diffusion-Based Low-Light Image Enhancement via Condition Refinement [63.54516423266521]
  事前学習拡散ベース(PTDB)法は、しばしばコンテンツ忠実さを犠牲にして知覚的リアリズムを高める。 本稿では,事前学習した拡散モデルにおける条件付けのための新しい最適化手法を提案する。 我々のアプローチはプラグアンドプレイであり、より効率的な制御を提供するために既存の拡散ネットワークにシームレスに統合される。
  論文  参考訳（メタデータ） (2025-10-20T02:40:06Z)
• Test-Time Anchoring for Discrete Diffusion Posterior Sampling [38.507644561076894]
  後方サンプリングは、事前訓練された離散拡散基礎モデルにとって難しい問題である。 マスク拡散基礎モデルのためのAnchored Posterior Smpling (APS) を提案する。 本手法は線形および非線形逆問題に対する離散拡散サンプリング器の最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-10-02T17:58:37Z)
• G$^2$RPO: Granular GRPO for Precise Reward in Flow Models [74.21206048155669]
  本稿では,サンプリング方向の高精度かつ包括的な報酬評価を実現する新しいグラニュラー-GRPO(G$2$RPO)フレームワークを提案する。 複数の拡散スケールで計算された利点を集約するマルチグラニュラリティ・アドバンテージ・インテグレーション・モジュールを導入する。 G$2$RPOは既存のフローベースGRPOベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2025-10-02T12:57:12Z)
• Partially Functional Dynamic Backdoor Diffusion-based Causal Model [2.922436362861351]
  部分機能的動的バックドア拡散に基づく因果モデル(PFD-BDCM)を導入する。 PFD-BDCMは、有効なバックドア調整を拡散サンプリング機構に組み込んで、測定されていない共同設立者からのバイアスを軽減する。 実測値の誤差設定による理論的保証を提供する。
  論文  参考訳（メタデータ） (2025-08-30T12:11:23Z)
• Towards Understanding the Robustness of Diffusion-Based Purification: A Stochastic Perspective [65.10019978876863]
  拡散性浄化(DBP)は、敵の攻撃に対する効果的な防御機構として出現している。 本稿では,DBPプロセスの本質性がロバスト性を駆動する主要な要因であることを示す。
  論文  参考訳（メタデータ） (2024-04-22T16:10:38Z)
• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
  拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。 本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。 そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2024-01-17T07:58:18Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)

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。