論文の概要: Beckmann Transport Models: From Autonomous Flows to One-Step Maps
- arxiv url: http://arxiv.org/abs/2608.01692v2
- Date: Tue, 04 Aug 2026 14:02:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 13:15:27.428835
- Title: Beckmann Transport Models: From Autonomous Flows to One-Step Maps
- Title（参考訳）: Beckmannの交通モデル: 自律的な流れからワンステップマップへ
- Authors: Lee Cheuk-Kit, Florentin Coeurdoux, Peter Potaptchik, Yilun Du, Michael Samuel Albergo, Eric Vanden-Eijnden,
- Abstract要約: 本稿では,時間非依存な速度場に依存する流れマッチングのインスタンス化を提案し,二つの分布をマッピングする。
また、この流れに付随する一段階生成写像が、単純な保存方程式のユニークな解であることも示している。
- 参考スコア（独自算出の注目度）: 47.88178310873025
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose an instantiation of flow matching that relies on a time-independent velocity field (an \emph{autonomous flow}) to exactly map between two distributions, so long as the target is singular, i.e.\ supported on a lower-dimensional data manifold. We also show that the one-step generative map associated with this flow is the unique solution of a simple conservation equation, which can be used to learn the map directly from samples. These autonomous flows and maps give a dynamical meaning to the flux constraint of Beckmann's transportation problem. Their construction provides a unifying framework that recovers, for instance, the closed-form Poisson-flow generative model and equilibrium matching with a quadratic flow-matching regression loss. We illustrate how this theory corrects inconsistencies in existing methods and demonstrate the effectiveness of the autonomous flow and the one-step map on ImageNet 256x256.
- Abstract（参考訳）: 対象が特異である限り、すなわち低次元のデータ多様体上でサポートされるように、時間非依存の速度場 (an \emph{autonomous flow}) に依存するフローマッチングのインスタンス化を提案する。
また, この流れに付随する一段階生成写像は, サンプルから直接マップを学習する簡単な保存方程式のユニークな解であることを示す。
これらの自律フローと写像は、ベックマンの輸送問題のフラックス制約に動的意味を与える。
それらの構成は、例えば、閉形式ポアソンフロー生成モデルと2次フローマッチング回帰損失との平衡マッチングを回復する統一フレームワークを提供する。
本稿では,この理論が既存手法の不整合を補正し,画像Net 256x256上の自律フローとワンステップマップの有効性を実証する。
関連論文リスト
- Flow Map Learning via Nongradient Vector Flow [22.985676782036904]
拡散とフローベースのモデルは単純な回帰損失の恩恵を受けるが、サンプリングは統合を必要とするため、推論はかなりのオーバーヘッドを引き起こす。
モデル反復による明示的な可逆性制約や高価な微分を回避し,フローマップを学習するためのアプローチであるSGFlowを紹介する。
論文 参考訳（メタデータ） (2026-07-29T02:17:27Z) - AnyFlow: Any-Step Video Diffusion Model with On-Policy Flow Map Distillation [70.80207977907908]
フローマップをベースとした,最初のノンステップビデオ拡散蒸留フレームワークであるAnyFlowを紹介した。
我々は、AnyFlowがいくつかの段階において、パフォーマンスの一致を達成するか、一貫性ベースの結果を上回ることを示す。
論文 参考訳（メタデータ） (2026-05-13T16:06:34Z) - Discrete Flow Maps [19.374556402778207]
Flow Mapは生成軌道を1ステップのマッピングに圧縮する。
標準定式化は、離散データに対して幾何学的に不適なユークリッド回帰損失に依存する。
離散領域の標準的なフローマップトレーニングをリキャストし、トレーニングのダイナミクスと言語の性質を一致させる。
論文 参考訳（メタデータ） (2026-04-10T18:10:14Z) - FlowConsist: Make Your Flow Consistent with Real Trajectory [99.22869983378062]
現在の高速フロートレーニングパラダイムには,2つの根本的な問題がある,と我々は主張する。
ランダムにペアリングされたノイズデータサンプルから構築された条件付き速度は、系統的な軌跡ドリフトを導入する。
本研究では,高速フローにおける軌道整合性を実現するためのトレーニングフレームワークであるFlowConsistを提案する。
論文 参考訳（メタデータ） (2026-02-06T03:24:23Z) - Test-time scaling of diffusions with flow maps [68.79792714591564]
テスト時の拡散モデルを改善するための一般的なレシピは、報酬の勾配を拡散そのものの力学に導入することである。
フローマップを直接扱うことで,簡単な解を提案する。
本研究では, 流図と流速場の関係を利用して, 従来のテスト時間法よりも精度の高いフローマップトラジェクトリ・ティルティング (FMTT) アルゴリズムを構築した。
論文 参考訳（メタデータ） (2025-11-27T18:44:12Z) - Decoupled MeanFlow: Turning Flow Models into Flow Maps for Accelerated Sampling [68.76215229126886]
Decoupled MeanFlowは、フローモデルをアーキテクチャ変更なしにフローマップモデルに変換するシンプルなデコード戦略である。
提案手法では, 拡散変圧器の最終ブロックを後続の時間ステップに設定し, 事前学習した流れモデルを直接フローマップとして再利用する。
ImageNet 256x256 と 512x512 では、われわれのモデルはそれぞれ2.16 と2.12 の1ステップ FID に達し、先行技術よりも大きなマージンで上回っている。
論文 参考訳（メタデータ） (2025-10-28T14:43:48Z) - How to build a consistency model: Learning flow maps via self-distillation [18.299322342860517]
フローベース生成モデルは最先端のサンプルの品質を達成するが、推論時に微分方程式の高価な解を必要とする。
これらのモデルには、実際に効率的に学習する方法を明確に説明する統一的な記述がない。
本稿では,フローや拡散モデルに関連するフローマップを直接学習するための体系的なアルゴリズムフレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-24T18:50:50Z) - FlowDPS: Flow-Driven Posterior Sampling for Inverse Problems [51.99765487172328]
逆問題解決のための後部サンプリングは,フローを用いて効果的に行うことができる。
Flow-Driven Posterior Smpling (FlowDPS) は最先端の代替手段よりも優れています。
論文 参考訳（メタデータ） (2025-03-11T07:56:14Z) - Stochastic interpolants with data-dependent couplings [31.854717378556334]
補間剤の枠組みを用いて、ベースとターゲット密度を補間する方法を定式化する。
これらのトランスポートマップは、標準的な独立な設定に類似した単純な2乗損失回帰問題を解くことで学習可能であることを示す。
論文 参考訳（メタデータ） (2023-10-05T17:46:31Z)
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。