論文の概要: Decafs: Disentangled Conditional adversarial Flows

• arxiv url: http://arxiv.org/abs/2607.18755v1
• Date: Tue, 21 Jul 2026 06:23:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.325804
• Title: Decafs: Disentangled Conditional adversarial Flows
• Title（参考訳）: 障害: 遠絡した条件付き対向流
• Abstract要約: フローベースモデルは、ドメイン間の生成モデリングにおいて最先端のパフォーマンスを確立している。 特に、潜伏空間における生成因子の絡み合いは、制御された生成を妨げる。 我々は、代替ラテント空間をアンタングルするリー群に基づく新しい条件付き生成元に訴える。
• 参考スコア（独自算出の注目度）: 37.4497520565583
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow-based models have established state-of-the-art performance in generative modeling across domains, but are hard to interpret due to their complex latent embeddings. In particular, the entanglement of generative factors in the latent space hinders controlled generation. We circumvent this issue by appealing to a novel conditional generator based on Lie groups that disentangles an alternative latent space, which is aligned closely with the latent flow space using an adversarial loss. Our approach facilitates interpretable conditional generation while obviating the need to expand the dimensionality of the flow space (owing to its invertibility requirements). The proposed model demonstrates strong performance across conditional image (including, outperforming StyleGAN on MNIST, dSprites) and molecule (using standard QM9, ZINC and MOSES) generation tasks
• Abstract（参考訳）: フローベースモデルは、ドメイン間の生成モデリングにおいて最先端の性能を確立してきたが、複雑な潜伏埋め込みのために解釈が難しい。 特に、潜伏空間における生成因子の絡み合いは、制御された生成を妨げる。 この問題を回避すべく, 対向損失を用いて, 潜在フロー空間と密接に一致した, 代替潜在空間をアンタングルするリー群に基づく新しい条件生成器に訴える。 提案手法は,(可逆性要求のため)フロー空間の次元を拡大する必要性を回避しつつ,解釈可能な条件生成を容易にする。 提案モデルでは,条件付き画像(MNIST,dSpritesにおけるStyleGANよりも優れる)および分子(標準QM9,ZINC,MOSESを用いた)生成タスク間での強い性能を示す。

関連論文リスト

• Topological Flow Matching [56.16372813551555]
  フローマッチングは強力な生成モデリングフレームワークであり、そのシンプルさと強力な経験的パフォーマンスに価値がある。 トポロジカルフローマッチング(トポロジカルフローマッチング)は,トポロジカルフローマッチングの一般化である。 脳のfMRI、海流、地震イベント、交通流など、さまざまな構造化されたデータセットに対して、その効果を実証する。
  論文  参考訳（メタデータ） (2026-06-14T16:29:33Z)
• Drifting Models for Surrogate Flow Modeling [0.4925906256430175]
  学習されたVAE潜在空間でドリフトを行う条件付きアーキテクチャを導入し,ラベル認識マスキングを用いて生成したサンプルを境界条件に整列させる。 我々のモデルは、2桁の精度と流れの整合性の反復拡散に一致し、2桁の速度で実行することができる。
  論文  参考訳（メタデータ） (2026-06-05T17:35:09Z)
• Optimal-Transport-Guided Functional Flow Matching for Turbulent Field Generation in Hilbert Space [0.3173969736316818]
  乱流の高忠実度モデリングには複雑な力学と多スケール断続性が必要である。 無限次元関数空間で直接定義される生成フレームワークであるFOT-CFM(Functional Optimal Transport Conditional Flow Matching)を提案する。 FOT-CFMは、最先端のベースラインに比べて高次乱流統計とスペクトルエネルギーの再現において優れた忠実性を達成する。
  論文  参考訳（メタデータ） (2026-04-07T10:53:37Z)
• Learning Flow Distributions via Projection-Constrained Diffusion on Manifolds [1.1668521361095043]
  任意の障害物測地条件と境界条件下での物理的に実現可能な2次元非圧縮性流れに対する生成的モデリングフレームワークを提案する。 提案手法は,(1)速度場で動作する境界条件拡散モデル,(2)分散ペナルティを取り入れた物理インフォームドトレーニング,(3)幾何学的に認識されたヘルムホルツ・ホッジ作用素による正確な非圧縮性を強制する投影制約逆拡散プロセスの3つの相補的要素を統合する。
  論文  参考訳（メタデータ） (2026-02-19T19:10:27Z)
• Constrained Discrete Diffusion [61.81569616239755]
  本稿では,拡散過程における微分可能制約最適化の新たな統合であるCDD(Constrained Discrete Diffusion)を紹介する。 CDDは直接、離散拡散サンプリングプロセスに制約を課し、トレーニング不要で効果的なアプローチをもたらす。
  論文  参考訳（メタデータ） (2025-03-12T19:48:12Z)
• Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
  MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。 連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-23T21:27:19Z)
• G2D2: Gradient-Guided Discrete Diffusion for Inverse Problem Solving [83.56510119503267]
  本稿では,従来の離散拡散に基づく生成モデルを活用することによって,線形逆問題に対処する新しい手法を提案する。 我々は、従来の離散拡散モデルの欠点を吸収状態で緩和するために、星型ノイズプロセスを用いる。
  論文  参考訳（メタデータ） (2024-10-09T06:18:25Z)
• Extended Flow Matching: a Method of Conditional Generation with Generalized Continuity Equation [19.71452214879951]
  条件生成は 生成モデルの最も重要な応用の1つです 行列場を通して条件生成に帰納バイアスを導入することができることを示す。 条件生成におけるEMFの競争性を支持する実験結果とともに,本理論を提示する。
  論文  参考訳（メタデータ） (2024-02-29T04:12:32Z)
• Constrained Synthesis with Projected Diffusion Models [47.56192362295252]
  本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。 提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
  論文  参考訳（メタデータ） (2024-02-05T22:18:16Z)
• Guided Motion Diffusion for Controllable Human Motion Synthesis [18.660523853430497]
  本稿では,空間的制約を運動生成プロセスに組み込む手法として,誘導運動拡散(GMD)を提案する。 具体的には、空間情報と局所的なポーズの一貫性を高めるために、動きの表現を操作する効果的な特徴投影方式を提案する。 本実験はGMDの開発を正当化し,テキストベースモーション生成における最先端手法を大幅に改善する。
  論文  参考訳（メタデータ） (2023-05-21T21:54:31Z)
• Do Generative Models Know Disentanglement? Contrastive Learning is All You Need [59.033559925639075]
  本論文では,変数空間におけるコントラスト(DisCo)による非監視的,モデル非依存的手法を提案する。 DisCoは、GAN、VAE、およびフローを含む、事前訓練された非解離生成モデルに与えられた最先端の解離を達成します。
  論文  参考訳（メタデータ） (2021-02-21T08:01:20Z)

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。