論文の概要: Contrastive-Augmented Flow Matching for Style-Content Disentanglement

• arxiv url: http://arxiv.org/abs/2607.12404v1
• Date: Tue, 14 Jul 2026 06:23:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.052497
• Title: Contrastive-Augmented Flow Matching for Style-Content Disentanglement
• Title（参考訳）: スタイル・コンテント・ディスタングルに対するコントラスト・アフュージョンド・フローマッチング
• Abstract要約: Contrastive Augmented Flow Matching (CAtFM) は、コントラスト正規化を非可逆なフローマッチング形式に統合し、構造化コンテンツスタイルの表現を促進するフレームワークである。 我々の実験はCLIP埋め込み空間で行われ、凍結したDINOとALIGNエンコーダによるさらなる検証が行われた。 全体として、CAtFMは、決定論的輸送と差別的制約を結合する簡単な方法を提供する。
• 参考スコア（独自算出の注目度）: 26.08049457095161
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning representations that separate content and style is crucial for controllable generation and compositional generalization. However, diffusion and flow-based models trained primarily with generative objectives often produce entangled or misaligned factors. To address this gap, we introduce Contrastive Augmented Flow Matching (CAtFM), a framework that integrates contrastive regularization into an invertible flow matching formulation to promote structured content-style representations. Rather than constraining intermediate latents or velocity fields, we apply contrastive supervision to predicted endpoints during training, enforcing semantic consistency across transported distributions while allowing disentanglement to emerge implicitly, without assuming strictly pure or fully factorized content and style representations. Our main experiments operate in the CLIP embedding space, with additional validation using frozen DINO and ALIGN encoders. Across synthetic data, in-domain styles, and real-world benchmarks (ImageNet, WikiArt, DomainNet, and DTD), CAtFM improves content and style retrieval, enhances embedding cluster separation, and achieves stronger open-set robustness compared to generative and discriminative baselines. Overall, CAtFM provides a simple way to couple discriminative constraints with deterministic transport, improving disentanglement and robustness under distribution shift.
• Abstract（参考訳）: コンテンツとスタイルを分離する学習表現は、制御可能な生成と構成の一般化に不可欠である。 しかしながら、主に生成目的で訓練された拡散とフローベースのモデルは、しばしば絡み合った、あるいは不整合した要因を生み出す。 このギャップに対処するために,コントラッシブ・フローマッチング(Contrastive Augmented Flow Matching,CAtFM)を導入する。 中間潜伏体や速度場を制約するのではなく、トレーニング中に予測された終点にコントラスト的監督を適用し、輸送された分布間の意味的一貫性を強制し、厳密な純粋あるいは完全分解された内容やスタイル表現を仮定することなく、乱れが暗黙的に現れるようにする。 我々の主な実験はCLIP埋め込み空間で行われ、凍結したDINOとALIGNエンコーダによる検証が加えられた。 合成データ、ドメイン内スタイル、および実世界のベンチマーク(ImageNet、WikiArt、DomainNet、DTD)を通じて、CAtFMはコンテンツとスタイルの検索を改善し、埋め込みクラスタ分離を強化し、生成的および識別的ベースラインよりも強力なオープンセットロバスト性を達成する。 全体として、CAtFMは、決定論的輸送と差別的制約を結合する簡単な方法を提供する。

関連論文リスト

• Context-weighted Discrete Flow Matching [13.385997589934645]
  本稿では,ローカルコンテキスト情報を組み込んだCTMC(Continuous-time Markov chain)の簡単な修正を提案する。 文脈重み付きサンプリング器は,計算オーバーヘッドを無視して生成品質を向上させる。 スケールしたクロスエントロピー損失関数は,異なるトークンからトレーニング信号を再重み付けし,OpenWebText上で生成パープレキシティを最大63%低減する。
  論文  参考訳（メタデータ） (2026-07-23T15:29:49Z)
• Simplifying Flow Matching Transformations with Low-Rank Mixture Models [58.797704398690165]
  本稿では,確率的主成分分析器(MPPCA)の混合物を流動の正規化のための潜在密度として用いることを提案する。 我々は,KL分散の観点でデータ分布とより密接に一致した潜在分布を学習することにより,学習フロー変換を単純化する。 MPPCAモデルは期待最大化アルゴリズムを用いて迅速かつ安価に適合し、高次元生成タスクにおいても潜在分布を初期化するための実用的な選択となる。
  論文  参考訳（メタデータ） (2026-06-29T03:03:06Z)
• PG-MAP: Joint MAP Optimization for Inference-Time Alignment of Diffusion and Flow-Matching Models [0.8594140167290097]
  事前訓練されたテキスト-画像モデルの推測時間アライメントは、通常、単一の制御軸に沿って実行される。 我々は、軌道レベルのギブスマップ/近位エネルギー最適化として推論時間アライメントを定式化する、トレーニング不要のフレームワークPG-MAPを提案する。
  論文  参考訳（メタデータ） (2026-06-22T07:36:36Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• Structured Coupling for Flow Matching [16.361601016656707]
  本稿では,構造化潜在表現学習に適合するフローを増大させる協調的なフレームワークを提案する。 SCFMは、構造付き遅延変数とノイズをソースに導入することにより、構造化された事前と連続的な輸送マップを共同で学習する。 潜在変数モデル変分推論と中間時間流速推定の両方に共有時間依存認識ネットワークを使用する。
  論文  参考訳（メタデータ） (2026-05-08T12:47:37Z)
• Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
  WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。 クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
  論文  参考訳（メタデータ） (2026-04-07T13:18:31Z)
• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• Active Flow Matching [14.437387789022354]
  アクティブフローマッチング(AFM)は、フローに沿った条件付きエンドポイント分布を操作するための変動目的を再構成する。 我々は、自己正規化重要度サンプリングを用いて、前方および逆のKullback-Leibler(KL)変異を導出する。
  論文  参考訳（メタデータ） (2026-03-01T02:50:07Z)
• Federated Contrastive Learning for Personalized Semantic Communication [55.46383524190467]
  我々は,パーソナライズされたセマンティックコミュニケーションを支援することを目的とした,協調型コントラスト学習フレームワークを設計する。 FedCLは、複数のクライアントにわたるローカルセマンティックエンコーダと、基地局が所有するグローバルセマンティックデコーダの協調トレーニングを可能にする。 分散クライアント間の異種データセットから生じるセマンティック不均衡問題に対処するために,コントラスト学習を用いてセマンティックセントロイドジェネレータを訓練する。
  論文  参考訳（メタデータ） (2024-06-13T14:45:35Z)

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。