論文の概要: Manifold-Constrained Noise Optimization for Diverse Diffusion Sampling
- arxiv url: http://arxiv.org/abs/2607.23937v1
- Date: Mon, 27 Jul 2026 02:19:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.287473
- Title: Manifold-Constrained Noise Optimization for Diverse Diffusion Sampling
- Title（参考訳）: 逆拡散サンプリングのためのマニフォールド制約雑音最適化
- Abstract要約: 数ステップの蒸留拡散モデルでは、高品質な画像を素早く生成するが、プロンプト毎の多様性は失われることが多い。
我々は,低次元品質安定化雑音多様体上でマニフォールド制約雑音最適化を行う学習自由度手法であるMoNOを提案する。
MoNOは画像の品質を維持しながら、プロンプトごとの多様性を継続的に改善する。
- 参考スコア（独自算出の注目度）: 15.24812318608889
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Few-step distilled diffusion models generate high-quality images quickly, but often lose per-prompt diversity, producing near-identical samples across random seeds. Optimizing the initial noise at inference time offers an appealing way to recover this diversity, yet existing methods directly update the initial noise in an unconstrained Euclidean space, ignoring both the geometry of the Gaussian prior and the model's sensitivity to noise frequencies. They therefore introduce auxiliary quality-control objectives to maintain generation fidelity, adding compute and weighting hyperparameters while still requiring conservative updates to prevent degradation. In this work, we propose MoNO, a training-free method that performs Manifold-constrained Noise Optimization on a low-dimensional, quality-stabilizing noise manifold. MoNO sequentially optimizes each new initial noise so that its predicted visual feature complements previous generations, while Riemannian updates on an affine low-frequency sphere preserve prior likelihood and fix unstable high-frequency components by construction. This enables large geodesic steps, removes the need for auxiliary quality-control objectives, and converges in far fewer iterations than prior noise-optimization methods. Experiments with multiple distilled text-to-image diffusion models show that MoNO consistently improves per-prompt diversity while maintaining image quality.
- Abstract（参考訳）: 数ステップの蒸留拡散モデルでは、高品質な画像が高速に生成されるが、プロンプトごとの多様性が失われ、ランダムな種子にほぼ同一のサンプルが生成される。
推定時の初期ノイズを最適化することは、この多様性を回復する魅力的な方法であるが、既存の手法は、制約のないユークリッド空間における初期ノイズを直接更新し、ガウス前の幾何学とモデルのノイズ周波数に対する感度の両方を無視している。
そのため、生成の忠実性を維持するために補助的な品質制御の目的を導入し、計算と重み付けのハイパーパラメータを追加しつつ、劣化を防ぐために保守的な更新を必要としている。
本研究では,低次元品質安定化雑音多様体上でマニフォールド制約雑音最適化を行う学習自由度手法であるMoNOを提案する。
MoNOは、それぞれの新しい初期ノイズを逐次最適化し、予測された視覚的特徴が前世代を補完し、リーマン的更新はアフィン低周波球の事前確率を保ち、不安定な高周波成分を建設によって固定する。
これにより、大きな測地ステップが可能になり、補助的な品質制御の目的が不要になり、従来のノイズ最適化手法よりもはるかに少ないイテレーションで収束する。
複数の蒸留されたテキスト・ツー・イメージ拡散モデルによる実験により、MoNOは画像の品質を維持しながら、プロンプトごとの多様性を一貫して改善することが示された。
関連論文リスト
- Gradient-Free Noise Optimization for Reward Alignment in Generative Models [52.42087778653147]
ZeNOは、経路積分制御問題としてノイズ最適化を定式化する、勾配のないフレームワークである。
効果的な推論時間スケーリングを可能にし、多様なジェネレータと報酬関数間で強力なパフォーマンスを示す。
論文 参考訳（メタデータ） (2026-05-12T00:05:36Z) - Spatial-Spectral Adaptive Fidelity and Noise Prior Reduction Guided Hyperspectral Image Denoising [11.513560890234864]
本稿では,雑音事前低減と空間-スペクトル適応忠実度項を統合する枠組みを提案する。
本枠組みでは,高速かつ堅牢な画素ワイドモデルと,代表係数の総変分正規化器を併用したモデルを構築した。
シミュレーションおよび実世界のデータセットの実験は、提案モデルが優れた騒音性能を達成することを示す。
論文 参考訳（メタデータ） (2026-04-14T11:27:23Z) - It's Never Too Late: Noise Optimization for Collapse Recovery in Trained Diffusion Models [80.53672733210111]
基本モデルの忠実さを保ちつつモード崩壊を緩和する,単純な雑音最適化の目的を示す。
実験により,騒音の最適化は生成品質と多様性の点で優れた結果をもたらすことが示された。
論文 参考訳（メタデータ） (2025-12-31T19:47:49Z) - Integrating Reweighted Least Squares with Plug-and-Play Diffusion Priors for Noisy Image Restoration [6.402777145722335]
インパルスノイズを含む一般的なノイズの頑健な除去のための生成拡散先に基づくプラグアンドプレイ画像復元フレームワークを提案する。
評価実験の結果,提案手法は非ガウス的インパルスノイズを効果的に除去し,復元性能が向上することが示された。
論文 参考訳（メタデータ） (2025-11-10T08:11:20Z) - Noise is All You Need: Solving Linear Inverse Problems by Noise Combination Sampling with Diffusion Models [7.219077740523681]
本稿では,雑音部分空間から最適な雑音ベクトルを合成し,測定スコアを近似する手法を提案する。
本手法は画像圧縮を含む幅広い逆問題解法に適用可能である。
論文 参考訳（メタデータ） (2025-10-24T07:46:23Z) - Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。
NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
論文 参考訳（メタデータ） (2025-10-14T13:31:34Z) - A Minimalist Method for Fine-tuning Text-to-Image Diffusion Models [3.8623569699070357]
ノイズPPOは、初期雑音発生器を学習する最小限の強化学習アルゴリズムである。
実験により、ノイズPPOは元のモデルよりもアライメントとサンプル品質を一貫して改善することが示された。
これらの知見は拡散モデルにおける最小主義的RL微調整の実用的価値を裏付けるものである。
論文 参考訳（メタデータ） (2025-05-23T00:01:52Z) - Blue noise for diffusion models [50.99852321110366]
本稿では,画像内および画像間の相関雑音を考慮した拡散モデルを提案する。
我々のフレームワークは、勾配流を改善するために、1つのミニバッチ内に画像間の相関を導入することができる。
本手法を用いて,各種データセットの質的,定量的な評価を行う。
論文 参考訳（メタデータ） (2024-02-07T14:59:25Z) - Multi-scale Diffusion Denoised Smoothing [79.95360025953931]
ランダムな平滑化は、大規模モデルに敵対的ロバスト性を提供する、いくつかの具体的なアプローチの1つになっている。
本報告では, 分割平滑化におけるロバスト性と精度との現在のトレードオフに対処するスケーラブルな手法を提案する。
提案手法と拡散微細調整を併用したマルチスケール平滑化手法により,高騒音レベルで高い信頼性のロバスト性が得られることを示す。
論文 参考訳（メタデータ） (2023-10-25T17:11:21Z) - DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。
高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。
異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
論文 参考訳（メタデータ） (2023-03-15T16:14:06Z)
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。