論文の概要: DiFA: Inference-Time Forward-Process Alignment for Diffusion Models
- arxiv url: http://arxiv.org/abs/2607.17972v1
- Date: Mon, 20 Jul 2026 14:10:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.651633
- Title: DiFA: Inference-Time Forward-Process Alignment for Diffusion Models
- Title（参考訳）: DiFA:拡散モデルのための推論時間フォワードアライメント
- Authors: Shigui Li, Delu Zeng,
- Abstract要約: Forward-Process Aligned Diffusion Prediction (textbfDiFA) は、逐次状態推定問題として推論時データの予測精度を改善するトレーニングフリーフレームワークである。
カルマンフィルタにインスパイアされたDiFAは、構造的一貫性とノイズレベルの整合性に応じて歴史的予測を集約する。
- 参考スコア（独自算出の注目度）: 8.208222349301785
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The prevailing inference framework for diffusion models formulates generation fundamentally as a problem of numerical integration. This perspective casts the model as an exact estimator, neglecting the inherent statistical uncertainty of the denoising process. In this work, we propose Forward-Process Aligned Diffusion prediction (\textbf{DiFA}), a training-free framework that reframes inference-time data prediction refinement as a sequential state estimation problem. Rather than reusing past outputs solely for numerical integration, DiFA treats iterative data predictions along the reverse trajectory as correlated observations to build a forward-aligned temporal consensus. Inspired by Kalman filtering, this consensus aggregates historical predictions according to structural consistency and noise-level compatibility. To counteract the over-smoothing tendency of temporal consensus, we introduce a deviation guidance mechanism to adaptively preserve residual details. Empirically, DiFA yields significant improvements on CIFAR-10 and ImageNet across the evaluated metrics, including FID, IS, and FD-DINOv2, demonstrating that aligning inference with the forward statistical structure substantially improves generative fidelity.
- Abstract（参考訳）: 拡散モデルの一般的な推論フレームワークは、数値積分の問題として基本的に生成する。
この観点は、モデルを正確な推定子として、偏執過程の固有の統計的不確実性を無視している。
本研究では、逐次状態推定問題として推論時データ予測の洗練を再構成するトレーニングフリーフレームワークであるフォワード・プロセスアラインド拡散予測(\textbf{DiFA})を提案する。
数値積分のためだけに過去の出力を再利用するのではなく、DiFAは逆軌道に沿って反復的なデータ予測を相関観測として扱い、前向きの時間的コンセンサスを構築する。
カルマンフィルターにインスパイアされたこのコンセンサスは、構造的整合性とノイズレベルの整合性に応じて歴史的予測を集約する。
時間的コンセンサスの過度にスムースな傾向に対処するために,残余の詳細を適応的に保存する偏差誘導機構を導入する。
実証的に、DiFAは、FID、IS、FD-DINOv2を含む評価指標全体にわたってCIFAR-10とImageNetを大幅に改善し、前方の統計構造と推論の一致が生成の忠実性を大幅に改善することを示した。
関連論文リスト
- Inpainting-Style Conditional Diffusion for Multivariable Time Series Forecasting [15.992262494632321]
本研究では,多時間時系列太陽予測パワーのための条件拡散に基づくフレームワークを提案する。
提案手法は,スライディングウインドウのパッチ構成を用いて,時間PVデータを構造化された2次元表現として再構成する。
GEFCom2014を含むベンチマークPVデータセットで実施された実験は、このアプローチが高い予測精度を達成することを実証している。
論文 参考訳（メタデータ） (2026-05-27T11:25:28Z) - Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。
本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-24T07:31:55Z) - Noise Titration: Exact Distributional Benchmarking for Probabilistic Time Series Forecasting [1.5939955861266883]
本稿では,介入主義的,厳密な統計的ベンチマークへのパラダイムシフトを提案する。
我々は,ブラックボックスシーケンスマッチングゲームから正確な分布推定タスクに予測を変換する。
我々は、最先端のゼロショットモデルがコンテキストパロッキング機構と一貫して振る舞うことを発見した。
論文 参考訳（メタデータ） (2026-03-23T17:14:11Z) - Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
天気予報は、大気のカオス的な性質によって根本的に挑戦されている。
ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。
気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
論文 参考訳（メタデータ） (2025-11-18T07:49:52Z) - Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching [9.465542901469815]
Conditional Guided Flow Matching (CGFM) は、補助的な予測モデルから出力を統合することで、フローマッチングを拡張するモデルに依存しないフレームワークである。
CGFMは、歴史的データを条件とガイダンスの両方に取り入れ、一方の条件付きパスを使用し、アフィンパスを用いて経路空間を拡大する。
データセットとベースラインにわたる実験は、CGFMが常に最先端のモデルより優れており、予測が進んでいることを示している。
論文 参考訳（メタデータ） (2025-07-09T18:03:31Z) - Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
Eucidated Rolling Diffusion Models (ERDM)を紹介する。
ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである
2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2025-06-24T21:44:31Z) - A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。
逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。
本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
論文 参考訳（メタデータ） (2025-05-16T17:00:52Z) - Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
時系列における不確実性定量化の問題を相関配列を利用して解決する。
共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。
我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
論文 参考訳（メタデータ） (2025-02-13T16:12:17Z) - Extended Fiducial Inference: Toward an Automated Process of Statistical Inference [9.277340234795801]
拡張フィデューシャル推論(EFI)と呼ばれる新しい統計的推論法を開発した。
提案手法は,高度な統計計算技術を活用することにより,フィデューシャル推論の目標を達成する。
EFIはパラメータ推定と仮説テストにおいて大きなアドバンテージを提供する。
論文 参考訳（メタデータ） (2024-07-31T14:15:42Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳（メタデータ） (2023-06-09T08:30:51Z) - Diffusion Causal Models for Counterfactual Estimation [18.438307666925425]
本稿では,観測画像データから因果構造を推定する作業について考察する。
Diff-SCMは,近年の発電エネルギーモデルの発展を基盤とした構造因果モデルである。
Diff-SCMはMNISTデータに基づくベースラインよりも現実的で最小限のデファクトアルを生成しており、ImageNetデータにも適用可能である。
論文 参考訳（メタデータ） (2022-02-21T12:23:01Z)
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。