論文の概要: AdvFD: Boosting Visual Generation via Adversarial Fr'echet Distance Loss

• arxiv url: http://arxiv.org/abs/2608.11205v1
• Date: Tue, 11 Aug 2026 17:59:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.14956
• Title: AdvFD: Boosting Visual Generation via Adversarial Fr'echet Distance Loss
• Title（参考訳）: AdvFD: Adversarial Fr'echet Distance Lossによるビジュアルジェネレーションの強化
• Abstract要約: フレシェ距離は、ジェネレータ後訓練の効果的な分布レベル目標として現れている。 本稿では,FD-Lossにおける静的な表現対象を正逆的に学習した表現で拡張するAdrial Fréchet Distanceを提案する。 実験の結果、AdvFD は JiT と pMF のバックボーンをまたいだ1ステップのジェネレータを継続的に改善している。
• 参考スコア（独自算出の注目度）: 28.28910922562426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fréchet distance has recently emerged as an effective distribution-level objective for generator post-training, complementing the conventional sample-level diffusion and flow-matching losses. However, directly optimizing Fréchet objectives can cause Fréchet hacking. The target metrics keep improving, but visual quality and Fréchet alignment in other feature spaces may stagnate or deteriorate. We attribute this failure to the static pretrained feature spaces used by existing Fréchet losses. These feature spaces provide incomplete and fixed views of the differences between real and generated distributions. To address this limitation, we propose Adversarial Fréchet Distance (AdvFD), which complements the static representation targets in FD-Loss with a calibrated adversarially learned representation. AdvFD augments the original static Fréchet objective with a learnable representation that adversarially maximizes the Fréchet discrepancy between real and generated samples, while the generator minimizes the same discrepancy in the resulting adaptive feature space. To prevent the adversarial representation from trivially increasing the objective through feature amplification, we further introduce real-feature whitening, which normalizes its scale and covariance geometry and stabilizes the min--max optimization. Extensive experiments show that AdvFD consistently improves one-step generator post-training across both JiT and pMF backbones and across different model scales.
• Abstract（参考訳）: フレシェ距離は, 従来の試料レベルの拡散とフローマッチング損失を補完する, 発電機後訓練の効果的な分布レベル目標として最近登場した。 しかし、フレシェの目的を直接最適化することはフレシェのハッキングを引き起こす可能性がある。 対象のメトリクスは改善を続けているが、他の特徴空間における視覚的品質とフレシェアライメントは停滞または悪化する可能性がある。 この失敗は、既存のフレシェの損失によって使用される静的な事前訓練された特徴空間に起因している。 これらの特徴空間は、実分布と生成分布の違いに関する不完全かつ固定的なビューを提供する。 この制限に対処するために、FD-Lossにおける静的表現対象を正逆学習表現で補完するAdversarial Fréchet Distance (AdvFD)を提案する。 AdvFDは、実際のサンプルと生成されたサンプルの間のフレシェの差を逆向きに最大化する学習可能な表現で、元の静的フレシェの目的を増強し、ジェネレータは結果として生じる特徴空間における同じ差を最小化する。 特徴増幅により敵の表現が自明に目的を増すのを防ぐため、我々はさらに、そのスケールと共分散幾何学を正規化し、min-max最適化を安定化する実機能白化を導入する。 大規模な実験により、AdvFDはJiTとpMFの両方のバックボーンと異なるモデルスケールにわたる1ステップのジェネレータを継続的に改善している。

関連論文リスト

• Local Epistemic Uncertainty Guided Active Sampling for Plug-and-play Diffusive Image Restoration [15.371827475537776]
  局所的不確実性ガイド型アクティブサンプリングフレームワークを開発した。 空間領域における細部保存とアーティファクトの抑制のバランスをとる。 メモリオーバーヘッドを無視してサンプリング時間を短縮する。
  論文  参考訳（メタデータ） (2026-08-07T09:00:20Z)
• Beyond Unfolding: 60x Faster One-Stage Unmixing for Closely-Spaced Infrared Small Targets [43.71958109614362]
  近距離赤外小ターゲット(CSIST)は一般的にエネルギーの重なりを見せ、赤外線画像では識別不能なブロブとして現れる。 この曖昧さは、従来の検出の1対1のマッピング仮定を無効にする。 深層展開が不要であることを示す一段軽量パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-07-17T14:42:51Z)
• Learning to Refine: Spectral-Decoupled Iterative Refinement Framework for Precipitation Nowcasting [21.300422393514804]
  本稿では,現在放送を進行周波数分離改良として再編成する決定論的枠組みを提案する。 SDIRはまず安定な低周波合成骨格を抽出し、次いで物理的制約下で高周波テクスチャを反復的に洗練する。 3つのベンチマークで実験したところ、SDIRは空間精度でSOTA法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-06-01T07:34:30Z)
• Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
  遅延不一致による冗長性を除去する学習自由フレームワークを提案する。 LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
  論文  参考訳（メタデータ） (2026-05-29T19:34:39Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Exploring the Limits of End-to-End Feature-Affinity Propagation for Single-Point Supervised Infrared Small Target Detection [6.7126559398433665]
  単一点制御赤外線小ターゲット検出(IRSTD)は、高密度アノテーションのコストを大幅に削減する。 現在のSOTA(State-of-the-art)手法は、マスクの監督を明示的でオフラインな擬似ラベル構成によって回収することにより、高精度を実現する。 最小限の代替策として、オンラインのポイント・ツー・マスク・イン・バッチ、ポイント・アンカレド・フィーチャー・アフィニティ・プロパゲーションを通じて、ポイント・ツー・マスクをオンラインに生成する手法について検討する。
  論文  参考訳（メタデータ） (2026-05-01T15:08:46Z)
• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• Unbiased Gradient Estimation for Event Binning via Functional Backpropagation [64.88399635309918]
  バックプロパゲーション中に弱微分を合成することにより任意の双対関数の非バイアス勾配推定のための新しいフレームワークを提案する。 自己監督型光流ではECEが9.4%,SLAMでは5.1%低下し,事象に基づく視覚知覚において大きなメリットが示された。
  論文  参考訳（メタデータ） (2026-02-13T04:05:03Z)
• SSG: Scaled Spatial Guidance for Multi-Scale Visual Autoregressive Generation [10.295970926059812]
  視覚自己回帰モデル(VAR)は次のスケールの予測を通じて画像を生成する。 実際には、この階層はキャパシティの制限と累積誤差によってモデルが粗いから細かい性質から逸脱してしまうため、推論時にドリフトすることができる。 本研究では,グローバルなコヒーレンスを維持しつつ,意図した階層に向けて生成を行うためのトレーニング不要な推論時間ガイダンスであるスケールド空間ガイダンス(SSG)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T10:48:58Z)
• Improving Black-Box Generative Attacks via Generator Semantic Consistency [51.470649503929344]
  ジェネレーティブアタックは テスト時に 1つのフォワードパスで 敵の例を生成する 初期ジェネレータの中間機能をEMA教師に整列させることで意味的整合性を実現する。 我々のアプローチは、ブラックボックス転送の一貫性を保ちながら、既存のジェネレーティブアタックにシームレスに統合することができる。
  論文  参考訳（メタデータ） (2025-06-23T02:35:09Z)
• GIFD: A Generative Gradient Inversion Method with Feature Domain Optimization [52.55628139825667]
  Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。 近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。 textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T04:34:21Z)

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。