論文の概要: XYZFlow:Scaling Multi dimensional Shortcut Flows for Efficient Generative Modeling

• arxiv url: http://arxiv.org/abs/2608.12276v2
• Date: Thu, 13 Aug 2026 07:13:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 14:00:09.880938
• Title: XYZFlow:Scaling Multi dimensional Shortcut Flows for Efficient Generative Modeling
• Title（参考訳）: XYZFlow:効率的な生成モデルのための多次元ショートカットフローのスケーリング
• Abstract要約: XYZFlowは、フローマッチングの多次元スケーリングを通じて効率的な生成を再考するフレームワークである。 次のショートカット予測では、モデルのスケーリングやステップの削減よりも、品質とレイテンシのトレードオフが優れている。
• 参考スコア（独自算出の注目度）: 24.78695434475162
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-fidelity image generation faces a trade-off between speed and quality. Diffusion models produce strong visuals but require costly iterative sampling. Existing efficient methods mainly distill pretrained models into few-step samplers, a challenging process that depends heavily on teacher-model quality. In this paper, we introduce XYZFlow, a framework that rethinks efficient generation through multidimensional scaling of flow matching. Unlike single-step mappings, XYZFlow enhances expressivity by making probability paths more identifiable and learnable through structured multidimensional conditioning. We view autoregressive modeling as implicit flow straightening, where richer context reduces trajectory ambiguity. XYZFlow realizes this idea through two orthogonal dimensions: temporal scaling, which uses non-Markovian conditioning on the full denoising history; and spatial scaling, enabled by Next Shortcut Prediction, which sequentially generates patches using preceding patches' denoising trajectories as priors. Experiments show that XYZFlow achieves state-of-the-art performance, with 7.2-8.5X teacher speedups and competitive FID, while Next Shortcut Prediction delivers superior quality-latency trade-offs over model scaling or step reduction.
• Abstract（参考訳）: 高忠実度画像生成は、スピードと品質のトレードオフに直面している。 拡散モデルは強い視覚を与えるが、コストのかかる反復的なサンプリングを必要とする。 既存の効率的な方法は、主に訓練済みのモデルを、教師-モデルの品質に大きく依存する挑戦的な、数ステップのサンプルに蒸留する。 本稿では,フローマッチングの多次元スケーリングによる効率的な生成を再考するフレームワークであるXYZFlowを紹介する。 シングルステップマッピングとは異なり、XYZFlowは、構造化多次元条件付けにより確率パスをより識別し、学習可能にすることで、表現性を高める。 我々は自己回帰モデリングを暗黙のフローストレート化とみなし、よりリッチなコンテキストは軌跡の曖昧さを減らす。 XYZFlowはこの考え方を2つの直交次元で実現している: テンポラリスケーリング、フルデノナイジング履歴の非マルコフ的条件付け、空間スケーリング、Next Shortcut Predictionによって実現され、前のパッチのデノナイジング軌跡を先行として逐次的にパッチを生成する。 実験の結果、XYZFlowは7.2-8.5Xの教師のスピードアップと競合するFIDで最先端のパフォーマンスを実現し、Next Shortcut Predictionはモデルスケーリングやステップ削減よりも優れた品質とレイテンシのトレードオフを提供することがわかった。

関連論文リスト

• Perceptual Flow Matching for Few-Step Generative Modeling [64.26537634881244]
  知覚フローマッチング(Perceptual Flow Matching)は、フローマッチングモデルにおいて、数ステップ生成のためのフレームワークである。 PFMは、適切な表現空間で教師される際に、高品質な数ステップジェネレータを生成する。
  論文  参考訳（メタデータ） (2026-07-03T17:55:01Z)
• SDFlow: Similarity-Driven Flow Matching for Time Series Generation [42.61146250886606]
  我々は,凍結したVQ潜在空間で完全に動作する非自己回帰フレームワークであるSDFlowを提案する。 SDFlowは最先端の性能を実現し,識別スコアを向上し,コンテキストFIDを大幅に低減することを示す。
  論文  参考訳（メタデータ） (2026-05-07T06:28:18Z)
• FastFlow: Accelerating The Generative Flow Matching Models with Bandit Inference [10.34801095627052]
  フローマッチングモデルは、画像およびビデオ生成における最先端の忠実度を提供するが、固有のシーケンシャルなデノジングプロセスはそれらを遅くする。 我々は,フローマッチングモデルの生成を高速化するプラグイン・アンド・プレイ適応型推論フレームワークであるFastFlowを提案する。 実験では、高品質な出力を維持しながら2.6倍以上のスピードアップを示す。
  論文  参考訳（メタデータ） (2026-02-11T18:21:11Z)
• 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)
• Flow Straighter and Faster: Efficient One-Step Generative Modeling via MeanFlow on Rectified Trajectories [14.36205662558203]
  Rectified MeanFlowは、単一のリフローステップのみを使用して、修正された軌道に沿った平均速度場をモデル化するフレームワークである。 64、256、および512の解像度でのImageNetの実験では、Re-MeanFlowは、サンプルの品質とトレーニング効率の両方で、一段階の蒸留法とRectified Flow法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-28T16:50:08Z)
• 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)
• Align Your Flow: Scaling Continuous-Time Flow Map Distillation [63.927438959502226]
  フローマップは、任意の2つのノイズレベルを1ステップで接続し、すべてのステップカウントで有効に保ちます。 画像生成ベンチマークにおいて、Align Your Flowと呼ばれるフローマップモデルを広範囲に検証する。 テキスト条件付き合成において、既存の非横断的訓練された数ステップのサンプルよりも優れたテキスト間フローマップモデルを示す。
  論文  参考訳（メタデータ） (2025-06-17T15:06:07Z)
• ARFlow: Autoregressive Flow with Hybrid Linear Attention [48.707933347079894]
  フローモデルは、徐々に現実的なイメージを生成するのに効果的である。 彼らは、生成プロセス中に長距離依存関係をキャプチャするのに苦労します。 本稿では,自動回帰モデリングをフローモデルに統合することを提案する。
  論文  参考訳（メタデータ） (2025-01-27T14:33:27Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)
• Minimizing Trajectory Curvature of ODE-based Generative Models [45.89620603363946]
  拡散モデル、整流モデル、流れマッチングなどの最近の生成モデルは、生成過程を固定前進過程の時間反転として定義する。 我々は, ODE/SDEシミュレーションを使わずに生成軌道の曲率を最小化するために, 前進過程を効率的に訓練する方法を提案する。
  論文  参考訳（メタデータ） (2023-01-27T21:52:03Z)

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。