Fugu-MT 論文翻訳(概要): WaiT for the Signal: Simple Frequency-Aware Flow-Matching

論文の概要: WaiT for the Signal: Simple Frequency-Aware Flow-Matching

arxiv url: http://arxiv.org/abs/2607.28760v1
Date: Thu, 30 Jul 2026 18:26:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-03 14:29:40.434953
Title: WaiT for the Signal: Simple Frequency-Aware Flow-Matching
Title（参考訳）: WaiT for the Signal: Simple Frequency-Aware Flow-Matching
Abstract要約: 本稿では,ウェーブレット対応画像変換器のWaiTについて紹介する。 ImageNet 512x512では、WaiTは1.43ピクセル空間のFIDを実現し、サンプリング計算を最大50%削減した。我々の定式化はテクスチャの忠実度において最強の潜在空間モデルよりも優れており、高解像度のOpenImageやビデオ生成にシームレスにスケールする。
参考スコア（独自算出の注目度）: 60.56691023057048
License: http://creativecommons.org/licenses/by/4.0/
Abstract: As image generation models scale to ever higher resolutions, global coherence, local detail, and texture fidelity become critical axes for generation quality. However, standard flow matching treats all spatial frequencies uniformly, ignoring the natural frequency hierarchy where high-frequency bands become indistinguishable from pure noise far earlier than coarse structures. We introduce WaiT, a Wavelet-aware image Transformer that decomposes generation into coarse and fine bands via lossless wavelets. True to its name, the high-frequency bands wait for the signal: staying pure noise until coarse structure has emerged, then joining the flow for joint refinement. Since standard FID discards fine-grained detail through aggressive downsampling, we introduce a more stringent three-axis evaluation protocol to assess quality at native resolution. On ImageNet 512x512, WaiT achieves a pixel-space FID of 1.43 and is Pareto-optimal across all three axes, reducing sampling compute by up to 50%. With our largest 2B model, we set a new state-of-the-art FID of 1.3 for pixel-space models on ImageNet 512 resolution. Our formulation outperforms even the strongest latent-space models on texture fidelity, and scales seamlessly to high-resolution OpenImages and to video generation, achieving a state-of-the-art FVD of 0.84 on Kinetics-600 with no algorithmic modifications.
Abstract（参考訳）: 画像生成モデルがさらに高解像度にスケールするにつれて、グローバルコヒーレンス、局所的なディテール、テクスチャ忠実度が生成品質にとって重要な軸となる。しかし、標準流れマッチングは全ての空間周波数を均一に扱い、粗い構造よりもはるかに早く、高周波帯域が純粋な雑音と区別できない自然周波数階層を無視している。本稿ではウェーブレット対応画像変換器のWaiTを紹介する。名前の通り、高周波帯は信号を待つ: 粗い構造が現れるまで純粋なノイズを保ち、その後、関節リファインメントの流路に合流する。標準FIDはアグレッシブなダウンサンプリングによって細かな詳細を破棄するので、より厳密な3軸評価プロトコルを導入し、ネイティブ解像度で品質を評価する。 ImageNet 512x512では、WaiTはピクセル空間のFIDが1.43で、3つの軸すべてに対してパレート最適であり、サンプリング計算を最大50%削減する。当社の最大の2Bモデルでは、ImageNet 512解像度でピクセル空間モデルのための1.3の最先端FIDを新たに設定しました。我々の定式化はテクスチャの忠実度において最強の潜在空間モデルよりも優れており、高解像度のOpenImageやビデオ生成にシームレスにスケールし、Kinetics-600上で0.84の最先端FVDをアルゴリズム的な修正なしに達成している。

関連論文リスト

FrequencyBooster: Full-Frequency Modeling for High-Fidelity Pixel Diffusion [15.557373713923306]
FrequencyBoosterは、フル周波数モデリング機能を備えたピクセル拡散を、禁忌のオーバーヘッドなしに促進するように設計された、新しいフレームワークである。我々のモデルは320エポックで256倍256$の解像度で textbf1.60 の最先端 FID を実現する。 FrequencyBoosterは512倍の512ドルの解像度で、textbf1.69のFIDを獲得し、既存のピクセル空間と潜在空間の生成モデルを大幅に上回っている。
論文参考訳（メタデータ） (2026-05-18T02:25:07Z)
Frequency-Aware Flow Matching for High-Quality Image Generation [40.59308529513355]
フローマッチングモデルは、現実的な画像生成のための強力なフレームワークとして登場した。本稿では,周波数認識条件をフローマッチングフレームワークに明示的に組み込んだ周波数認識フローマッチングを提案する。従来の拡散モデルDiTと流れマッチングモデルSiTをそれぞれ0.79FIDと0.58FIDに上回り、FID1.38の最先端性能を実現する。
論文参考訳（メタデータ） (2026-04-16T21:00:41Z)
FLaTEC: Frequency-Disentangled Latent Triplanes for Efficient Compression of LiDAR Point Clouds [52.997038111673966]
FLaTECは、圧縮率の高いフルスキャンの圧縮を可能にする周波数対応圧縮モデルである。ボキセル化埋め込みを三面体表現に変換することで、空間性、計算コスト、ストレージ要件を低減する。提案手法は,最先端の速度歪み性能を実現し,標準コーデックのBDレートを78%,94%向上させる。
論文参考訳（メタデータ） (2025-11-25T08:37:49Z)
DeCo: Frequency-Decoupled Pixel Diffusion for End-to-End Image Generation [93.6273078684831]
より効率的な画素拡散パラダイムを追求するために,周波数デカップリング方式の画素拡散フレームワークを提案する。高速・低周波成分の生成を分離する直感によって, セマンティックガイダンスに基づく高周波細部を生成するために, 軽量画素デコーダを利用する。実験の結果,DeCoは1.62 (256x256) と2.22 (512x512) の FID を実現した。
論文参考訳（メタデータ） (2025-11-24T17:59:06Z)
Freqformer: Image-Demoiréing Transformer via Efficient Frequency Decomposition [83.40450475728792]
本稿では,Freqformerについて述べる。Freqformerは,ターゲット周波数分離による画像復号化に特化して設計されたトランスフォーマーベースのフレームワークである。本手法は,モワールパターンを高周波数空間局在化テクスチャと低周波数スケールローバスト色歪みに明確に分割する有効な周波数分解を行う。様々なデモアのベンチマーク実験により、Freqformerは、コンパクトなモデルサイズで最先端のパフォーマンスを達成することを示した。
論文参考訳（メタデータ） (2025-05-25T12:23:10Z)
StreamDiffusion: A Pipeline-level Solution for Real-time Interactive Generation [52.56469577812338]
本稿では,インタラクティブな画像生成のためのリアルタイム拡散パイプラインStreamDiffusionを紹介する。既存の拡散モデルは、テキストや画像プロンプトから画像を作成するのに適しているが、リアルタイムのインタラクションでは不足することが多い。本稿では,従来のシーケンシャル・デノナイジングをデノナイジング・プロセスに変換する新しいアプローチを提案する。
論文参考訳（メタデータ） (2023-12-19T18:18:33Z)
Tiny-VBF: Resource-Efficient Vision Transformer based Lightweight Beamformer for Ultrasound Single-Angle Plane Wave Imaging [4.15681035147785]
本研究では、新しいビジョントランスを用いた小型ビームフォーマ(Tiny-VBF)を提案する。 Tiny-VBFの出力は、非常に低いフレームレートを必要とする高速エンベロープ検出を提供する。我々は、Zynq UltraScale+ MPSoC ZCU104 FPGA上で、加速器アーキテクチャを提案し、Tiny-VBFモデルを実装した。
論文参考訳（メタデータ） (2023-11-20T10:47:52Z)
WaveGAN: Frequency-aware GAN for High-Fidelity Few-shot Image Generation [3.5459430566117893]
本稿では,数ショット画像生成のための周波数認識モデルであるWaveGANを提案する。我々は、高周波スキップ接続を用いることで、細部を合成するジェネレータの苦労を軽減する。 FID 42.17, LPIPS 0.3868, FID 30.35, LPIPS 0.5076, FID 4.96, LPIPS 0.3822をそれぞれ, フラワー, アニマルフェイス, VGGFaceで実現した。
論文参考訳（メタデータ） (2022-07-15T04:39:47Z)
not-so-BigGAN: Generating High-Fidelity Images on Small Compute with Wavelet-based Super-Resolution [23.15896056344987]
Nsb-GANは、深層生成モデルのための簡易かつ費用対効果の2段階のトレーニングフレームワークである。ウェーブレットに基づくダウンサンプリング法は、ピクセルベースの方法よりも多くの構造情報を保存する。 ImageNet 512x512では、10.59のFr'echet Inception Distance(FID)がベースラインのBigGANモデルを上回っている。
論文参考訳（メタデータ） (2020-09-09T17:29:40Z)
Hyperspectral Image Super-resolution via Deep Progressive Zero-centric Residual Learning [62.52242684874278]
空間情報とスペクトル情報の相互モダリティ分布が問題となる。本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
論文参考訳（メタデータ） (2020-06-18T06:32:11Z)

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。