論文の概要: MeanFlowNFT: Bringing Forward-Process RL to Average-Velocity Generators
- arxiv url: http://arxiv.org/abs/2607.15273v2
- Date: Tue, 21 Jul 2026 11:14:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 14:48:36.24367
- Title: MeanFlowNFT: Bringing Forward-Process RL to Average-Velocity Generators
- Title（参考訳）: MeanFlowNFT: 平均速度発電機にフォワードプロシージャRLを実現する
- Abstract要約: MeanFlowNFTは平均と瞬間的な速度を橋渡しするMeanFlowアイデンティティにインスパイアされている。
画像およびビデオ生成の実験では、MeanFlowNFTは一貫してベースラインを改善している。
少数のサンプリングステップのみを使用しながら、マルチステップのRL調整拡散を超越することもできる。
- 参考スコア（独自算出の注目度）: 48.85363546552086
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: MeanFlow generators achieve fast few-step sampling by predicting average velocities over time intervals, making them attractive for efficient generation. Reinforcement learning (RL) has become a powerful way to align diffusion and flow models with human preferences and task-specific objectives. In particular, DiffusionNFT offers an efficient forward-process RL framework that does not require reverse-process trajectories or likelihood estimation. However, applying such RL methods to MeanFlow remains underexplored. DiffusionNFT optimizes instantaneous velocities, whereas MeanFlow samples with average velocities. To bridge this gap, we introduce MeanFlowNFT. Inspired by the MeanFlow identity, which bridges average and instantaneous velocities, we construct an induced instantaneous-velocity predictor. We apply the DiffusionNFT objective to this predictor, making reward optimization well-defined for MeanFlow. Sampling remains based on the average velocity, preserving MeanFlow's fast few-step generation. We further prove that MeanFlowNFT inherits DiffusionNFT's strict policy-improvement guarantee. Experiments on image and video generation show that MeanFlowNFT consistently improves baselines. Moreover, it outperforms prior state-of-the-art RL-tuned few-step generators on most metrics ($6$ of $8$ on SD3.5-M), and can even surpass multi-step RL-tuned diffusion while using only a few sampling steps. For instance, on Wan 2.1, $4$-step MeanFlowNFT reaches a VBench score of $84.33$, surpassing $50$-step LongCat-Video RL ($82.57$).
- Abstract（参考訳）: MeanFlowジェネレータは、時間間隔の平均速度を予測して高速な数ステップサンプリングを実現し、効率的な生成を実現する。
強化学習(Reinforcement Learning, RL)は, 拡散モデルとフローモデルを人間の好みやタスク固有の目的と整合させる強力な方法となっている。
特にDiffusionNFTは、逆プロセスの軌跡や推測を必要としない効率的なフォワードプロセスRLフレームワークを提供している。
しかし、そのようなRL法をMeanFlowに適用するには、まだ未定である。
DiffusionNFTは瞬時速度を最適化するが、MeanFlowは平均速度をサンプリングする。
このギャップを埋めるために、MeanFlowNFTを紹介します。
平均および瞬時速度を橋渡しするMeanFlowIDに着想を得て、誘導瞬時速度予測器を構築する。
我々はDiffusionNFTの目的をこの予測器に適用し、MeanFlowに対して報酬最適化を適切に定義する。
サンプリングは平均速度に基づいており、MeanFlowの高速な数ステップ生成を保存する。
我々はさらに、MeanFlowNFTがDiffusionNFTの厳格なポリシー改善保証を継承していることを証明する。
画像およびビデオ生成の実験では、MeanFlowNFTは一貫してベースラインを改善している。
さらに、ほとんどのメトリクス(6ドル=SD3.5-Mで8ドル)で、最先端のRLチューニングされた数ステップジェネレータよりも優れており、サンプリングステップを数ステップだけ使用しながら、多ステップのRLチューニング拡散を超えることができる。
例えばWan 2.1では、MeanFlowNFTがVBenchスコアが84.33ドルに達し、LongCat-Video RL(82.57ドル)を50ドル超えた。
関連論文リスト
- Continuous Adversarial MeanFlow Transfer [30.946652462509068]
しかし,ManFlow (MF) モデルが予測する有限間隔平均速度には適用されない。
異種音源出力を共有速度表現にマッピングするMeanFlow-Transferを提案する。
次に,MF の有限間隔平均速度から瞬時速度まで,逆流モデルを拡張した後学習段階である Continuous Adversarial MeanFlow を紹介する。
論文 参考訳（メタデータ） (2026-08-20T01:20:31Z) - Score-Based One-step MeanFlow Policy Optimization [4.94481688445056]
MeanFlowは、単一のネットワーク評価でノイズをデータにマップする平均速度場を学ぶことで、有望な代替手段を提供する。
本稿では,Q関数から直接目標速度場を構築することで,これを解決するアクタークリティカルなアルゴリズムであるScore-based One-step MeanFlow Policy Optimization (SOM)を提案する。
SOMは、単一生成ステップで移動タスクの最先端のパフォーマンスを達成し、事前拡散およびフローマッチングベースのポリシーと比較して、トレーニング時間と推論時間を著しく短縮する。
論文 参考訳（メタデータ） (2026-05-22T08:28:51Z) - Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。
平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。
球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
論文 参考訳（メタデータ） (2026-03-11T12:41:46Z) - RMFlow: Refined Mean Flow by a Noise-Injection Step for Multimodal Generation [12.979642182577157]
平均フロー (MeanFlow) は効率よく高忠実な画像を生成することができるが、その単一関数評価 (1-NFE) 生成は説得力のある結果を得ることができないことが多い。
我々は、粗い1-NFE MeanFlowトランスポートと調整されたノイズ注入改善ステップを統合した、効率的なマルチモーダル生成モデルRMFlowを紹介する。
RMFlowは、1-NFEのみを使用してテキスト・トゥ・イメージ、コンテキスト・トゥ・分子、時系列生成に関する最先端の成果を、ベースラインのMeanFlowsに匹敵する計算コストで達成する。
論文 参考訳（メタデータ） (2026-01-31T18:27:05Z) - Flow Straighter and Faster: Efficient One-Step Generative Modeling via MeanFlow on Rectified Trajectories [14.36205662558203]
Rectified MeanFlowは、単一のリフローステップのみを使用して、修正された軌道に沿った平均速度場をモデル化するフレームワークである。
64、256、および512の解像度でのImageNetの実験では、Re-MeanFlowは、サンプルの品質とトレーニング効率の両方で、一段階の蒸留法とRectified Flow法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-11-28T16:50:08Z) - Understanding, Accelerating, and Improving MeanFlow Training [64.84964628592418]
MeanFlowは、瞬時および平均速度場を共同で学習することで、数ステップで高品質な生成モデリングを実現する。
両速度間の相互作用を分析し, (i) 確立された即時速度は平均速度を学習するための前提条件である。
即時速度の生成を加速する効果的なトレーニングスキームを設計し、その後、短区間平均速度から短区間平均速度に重点を移す。
論文 参考訳（メタデータ） (2025-11-24T12:59:27Z) - AlphaFlow: Understanding and Improving MeanFlow Models [74.64465762009475]
その結果,MeanFlowの目的は,トラジェクティブフローマッチングとトラジェクトリ一貫性という2つの部分に分けられることがわかった。
これらの知見に触発されて、軌跡フローマッチング、ショートカットモデル、MeanFlowを統一する目的の広いファミリーである$alpha$-Flowを紹介した。
クラス条件のImageNet-1K 256x256をバニラのDiTバックボーンでスクラッチからトレーニングすると、$alpha$-Flowはスケールと設定でMeanFlowを一貫して上回る。
論文 参考訳（メタデータ） (2025-10-23T17:45:06Z) - MeanFlowSE: one-step generative speech enhancement via conditional mean flow [13.437825847370442]
MeanFlowSEは、軌道に沿った有限区間の平均速度を学習する条件付き生成モデルである。
VoiceBank-DEMANDでは、シングルステップモデルは多ステップベースラインよりも計算コストが大幅に低い強い知性、忠実性、知覚品質を実現する。
論文 参考訳（メタデータ） (2025-09-18T11:24:47Z) - Towards High-Order Mean Flow Generative Models: Feasibility, Expressivity, and Provably Efficient Criteria [14.37317011636007]
本稿では,平均加速度場をMeanFlowの目的に組み込む新しい拡張であるSecond-Order MeanFlowに関する理論的研究を紹介する。
まず,平均加速度が1次平均流に類似した一般化整合条件を満たすことを証明し,その実現可能性を確立する。
次に,回路複雑性解析によりその表現性を特徴付け,一様しきい値回路で第2次平均フローサンプリング処理を実現できることを示す。
論文 参考訳（メタデータ） (2025-08-09T21:10:58Z) - Mean Flows for One-step Generative Modeling [64.4997821467102]
本稿では,一段階生成モデリングのための原理的かつ効果的なフレームワークを提案する。
ニューラルネットワークトレーニングのガイドには,平均速度と瞬時速度を適切に定義したアイデンティティが導出され,使用される。
提案手法はMeanFlowモデルと呼ばれ,自己完結型であり,事前学習,蒸留,カリキュラム学習は不要である。
論文 参考訳（メタデータ） (2025-05-19T17:59:42Z) - PeRFlow: Piecewise Rectified Flow as Universal Plug-and-Play Accelerator [73.80050807279461]
Piecewise Rectified Flow (PeRFlow) は拡散モデルの高速化のためのフローベース手法である。
PeRFlowは数ステップの世代で優れたパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-05-13T07:10:53Z)
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。