論文の概要: Analytic Distribution of Classifier-Free Guidance for Schedule Design
- arxiv url: http://arxiv.org/abs/2607.19725v1
- Date: Wed, 22 Jul 2026 03:53:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:37.971254
- Title: Analytic Distribution of Classifier-Free Guidance for Schedule Design
- Title（参考訳）: スケジュール設計のためのクラシファイアフリーガイダンスの解析的分布
- Authors: Enze Jiang, Zheng Ma,
- Abstract要約: フローODEを用いてCFGを解析し, 誘導分布の正確な経路積分表現を定時ガイダンスおよび時間依存性ガイダンスの両方に導出する。
この特徴は、サンプリング軌道に沿ってスコアの差が蓄積し、分散誘導G(DG-CFG)を動機付けるかを説明する。
安定拡散1.5では、DG-CFGは生成を改善し、ガイダンスの強みを越えて、より強力な多様性-忠実なトレードオフをもたらす。
- 参考スコア（独自算出の注目度）: 3.2049543530625098
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Classifier-free guidance (CFG) is the default mechanism for conditional generation in diffusion models, but the distribution sampled by its deterministic guided dynamics is not captured by the usual product-distribution heuristic $p_0^ωq_0^{1-ω}$. We analyze CFG through the probability flow ODE and derive exact analytic path-integral representations of the induced distributions for both constant and time-dependent guidance. The resulting formulas show that CFG modifies $p_{t_0}$ by an exponential path-integral correction, and that a time-dependent schedule enters this correction through the weight $ω(t)-1$. This characterization explains how score discrepancies accumulate along sampling trajectories and motivates Distribution-Guided CFG (DG-CFG), a schedule that balances timestep contributions while accounting for signal strength and low-noise score-error amplification. A toy model with analytic scores closely verifies the predicted distributions. On Stable Diffusion~1.5, DG-CFG improves generation and yields a stronger diversity--fidelity trade-off across guidance strengths, with especially clear gains when strong guidance causes saturation and quality degradation in constant and heuristic schedules. Across NFE budgets, DG-CFG reaches fixed image-quality targets with fewer sampling steps, reducing the sampling cost needed to achieve target metrics.
- Abstract（参考訳）: 分類子フリーガイダンス(CFG)は拡散モデルにおける条件生成の既定のメカニズムであるが、その決定論的誘導力学によってサンプリングされた分布は、通常の積分布ヒューリスティック$p_0^ωq_0^{1-ω}$では捉えられない。
本研究では,確率フローODEを用いてCFGを解析し,定常および時間依存の両方の誘導分布の正確な経路積分表現を導出する。
得られた公式は、CFGが指数パス積分補正により$p_{t_0}$を変更し、時間依存スケジュールが重み$ω(t)-1$を介してこの補正に入ることを示している。
この特徴は、信号強度と低ノイズのスコアエラー増幅を考慮しつつ、タイムステップのコントリビューションのバランスをとるスケジュールである分散ガイドCFG (DG-CFG) をサンプリングトラジェクトリに沿ってどのようにスコア差が蓄積するかを説明する。
分析スコアを持つ玩具モデルは予測された分布を綿密に検証する。
安定拡散~1.5では、DG-CFGは生成を改善し、ガイダンスの強度をまたいだ多様性の強いトレードオフをもたらす。
NFE予算全体では、DG-CFGはサンプリングステップを減らして画像品質の目標に到達し、ターゲットメトリクスを達成するのに必要なサンプリングコストを削減している。
関連論文リスト
- Information-Theoretic Classifier-Free Guidance with Adaptive Schedule Optimization [15.35957804795103]
拡散モデルは、画像、テキスト・ツー・イメージ、ビデオ生成において高いパフォーマンスを達成している。
CFGスケジュール最適化のための情報理論フレームワークを提案する。
ImageNet-512、EDM-XXL、COCO、SD-XLでは、学習スケジュールは一定のガイダンスよりも競争力や改善されたトレードオフを達成する。
論文 参考訳（メタデータ） (2026-06-23T00:04:04Z) - From Scores to Gibbs Correctors: Accelerating Uniform-Rate Discrete Diffusion Models [58.02657021435213]
我々は、Gibs-Accelerated Discrete Diffusion (GADD)と呼ばれる離散拡散モデルのための新しいGibsベースの修正器を提案する。
我々はGADDが$mathcalO(mathrmpolylog (varepsilon-1)$の総合的なサンプリング複雑性を達成し、均一レートの離散拡散モデルに対する拡散に基づくサンプリング者にとって最初のレートとなることを示す。
論文 参考訳（メタデータ） (2026-05-26T17:52:28Z) - Mitigating Error Amplification in Fast Adversarial Training [58.74042726356826]
FAT(Fast Adversarial Training)は、ネットワークに摂動不変表現の学習を促すことによって、モデルロバスト性の向上に有効であることが証明されている。
FATは、しばしば破滅的なオーバーフィッティング(CO)に悩まされ、モデルがトレーニングアタックに過度に適合し、目に見えないものへの一般化に失敗する。
本稿では、摂動予算と監視信号の両方を動的に調整する分散対応動的ガイダンス(DDG)戦略を提案する。
論文 参考訳（メタデータ） (2026-04-27T11:23:18Z) - Emergence of Distortions in High-Dimensional Guided Diffusion Models [11.774563966512707]
CFG誘導サンプリングと真の条件分布のミスマッチとして定義される生成歪みの現象を定式化する。
標準CFGスケジュールはばらつきの縮小を防ぐことができないことを示す。
本稿では,クラス分離性を維持しながら多様性の喪失を緩和する負の誘導窓を特徴とする理論的動機付け型指導スケジュールを提案する。
論文 参考訳（メタデータ） (2026-01-31T13:19:45Z) - Inference-Time Alignment for Diffusion Models via Doob's Matching [16.416975860645724]
拡散モデルの推論時間アライメントは,ベーススコアネットワークを再学習することなく,事前学習した拡散モデルを目標分布に適応することを目的としている。
本稿では,Doobの$h$-transformをベースとしたガイダンス推定フレームワークであるDoobのマッチングについて紹介する。
2-ワッサーシュタイン距離における生成分布の非漸近収束を保証する。
論文 参考訳（メタデータ） (2026-01-10T10:28:06Z) - The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。
時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。
本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
論文 参考訳（メタデータ） (2025-12-21T06:08:22Z) - 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) - Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。
従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。
本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
論文 参考訳（メタデータ） (2025-07-11T08:00:47Z) - Feedback Guidance of Diffusion Models [14.162420300295365]
Interval-Free Guidance (CFG) は, 条件付き拡散モデルにおける試料の忠実度向上の標準となっている。
本稿では,FBG(FeedBack Guidance)を提案する。
論文 参考訳（メタデータ） (2025-06-06T13:46:32Z) - Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。
本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文 参考訳（メタデータ） (2023-06-27T08:15:28Z)
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。