論文の概要: Spatially-Grounded Flow Matching: Structured Source Distributions for Image Generation

• arxiv url: http://arxiv.org/abs/2608.15452v1
• Date: Sun, 16 Aug 2026 00:03:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.311223
• Title: Spatially-Grounded Flow Matching: Structured Source Distributions for Image Generation
• Title（参考訳）: 空間領域のフローマッチング:画像生成のための構造的ソース分布
• Abstract要約: 現在の流れマッチングモデルは、ソース、すなわちガウスノイズを自然画像のターゲット分布に伝達することを学ぶ。 近傍のピクセルは強く相関しているため、画像は基本的に局所的である。 本稿では,小さな領域内の画素が共通の雑音成分を共有することにより,空間的局所性を直接ソースに符号化するStructFlowを提案する。
• 参考スコア（独自算出の注目度）: 3.3692935883125954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current flow matching models learn to transport the source i.i.d. Gaussian noise into the target distribution of natural images, yet this source distribution carries no notion of spatial structure. Images however are fundamentally local since nearby pixels are strongly correlated. By sampling the noise independently, we hypothesize that models are implicitly encouraged to exploit less noisy neighbors as context during training, partially bypassing the need to properly learn the true local structure of images. The source distribution, in other words, works against the inductive bias of the image domain. To ameliorate this design discrepancy, we propose StructFlow which encodes spatial locality directly into the source by having the pixels within a small region share a common noise component. This structured source produces transport paths that are geometrically aligned with image regions - enabling properties that generic flow matching struggles to provide: fine-grained local editing that naturally respects boundaries, robust structure preservation, and smooth semantic interpolation between images. We show that these benefits also extend to large pre-trained models, demonstrating that StructFlow can even be incorporated through a lightweight post-training phase. Comprehensive experiments on multiple datasets, in unconditional, class and text-conditioned regimes, using different diffusion transformer architectures confirm that StructFlow not only offers competitive image generation quality, but also significantly improves localized controllable re-synthesis.
• Abstract（参考訳）: 現在の流れマッチングモデルは、ソース、すなわちガウスノイズを自然画像のターゲット分布に伝達することを学ぶが、このソース分布は空間構造の概念を含まない。 しかし、近傍のピクセルは強い相関関係にあるため、画像は基本的に局所的である。 ノイズを個別にサンプリングすることで、トレーニング中はノイズが少ない隣人を文脈として利用することが暗黙的に奨励され、画像の真の局所構造を正しく学習する必要が部分的に回避される、という仮説を立てる。 ソース分布は、言い換えれば、画像領域の帰納バイアスに対して作用する。 この設計の相違を改善するために,小さな領域内の画素が共通の雑音成分を共有することにより,空間的局所性を直接ソースに符号化するStructFlowを提案する。 この構造化されたソースは、画像領域と幾何学的に整合したトランスポートパスを生成し、ジェネリックフローマッチングが提供しようとする特性を可能にする。 また、これらの利点は、StructFlowを軽量な後トレーニングフェーズで組み込むことが可能であることを示すために、トレーニング済みの大規模なモデルにも拡張可能であることも示している。 異なる拡散トランスフォーマーアーキテクチャを用いて、無条件、クラス、テキスト条件の複数のデータセットに対する包括的な実験により、StructFlowは競合画像生成の品質を提供するだけでなく、局所制御可能な再合成を大幅に改善することを確認した。

関連論文リスト

• StructDiff: A Structure-Preserving and Spatially Controllable Diffusion Model for Single-Image Generation [72.84181869780627]
  StructDiffは、単一画像生成のための単一スケール拡散モデルに基づく生成フレームワークである。 3次元位置符号化(PE)を空間的先行として組み込んでおり、生成されたオブジェクトの位置、スケール、局所的な詳細を柔軟に制御することができる。 また、テキスト誘導画像生成、画像編集、アウトペインティング、ペイント・ツー・イメージ合成など、下流タスクにも幅広い適用性を示す。
  論文  参考訳（メタデータ） (2026-04-14T10:55:43Z)
• SAGA: Learning Signal-Aligned Distributions for Improved Text-to-Image Generation [9.212970624261272]
  最先端のテキスト画像モデルは視覚的に印象的な結果をもたらすが、しばしばテキストプロンプトへの正確なアライメントに苦慮する。 本稿では,ターゲットプロンプトに条件付き高精度分布を学習する手法を提案する。 提案手法は,過度な最適化を緩和する微粒化制御を実現することで,デノナイズプロセス中の信号成分を明示的にモデル化する。
  論文  参考訳（メタデータ） (2025-08-19T14:31:15Z)
• DNF-Intrinsic: Deterministic Noise-Free Diffusion for Indoor Inverse Rendering [46.94209097951204]
  本稿では,DNF-Intrinsicについて述べる。 提案手法は,既存の最先端レンダリング手法よりも明らかに優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-05T07:11:58Z)
• Flowing from Words to Pixels: A Noise-Free Framework for Cross-Modality Evolution [14.57591222028278]
  クロスモーダルフローマッチングのための汎用的でシンプルなフレームワークであるCrossFlowを提案する。 本稿では、入力データに変分法を適用することの重要性を示し、フリーガイダンスを実現する方法を提案する。 また,本手法の一般化可能性を示すため,CrossFlowは多種多様なクロスモーダル/イントラモーダルマッピングタスクの最先端性に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2024-12-19T18:59:56Z)
• Compressing Image-to-Image Translation GANs Using Local Density Structures on Their Learned Manifold [69.33930972652594]
  GAN(Generative Adversarial Networks)は、画像から画像への変換のための複雑なデータ分散のモデル化において、顕著な成功を収めている。 既存のGAN圧縮法は主に知識蒸留や畳み込み分類器の刈り取り技術に依存している。 学習多様体上の元のパラメータ重モデルの密度構造を保存するために,プルーンドモデルを明示的に促すことにより,新しいアプローチを提案する。 画像変換GANモデルであるPix2PixとCycleGANについて,様々なベンチマークデータセットとアーキテクチャを用いて実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-12-22T15:43:12Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• A Structure-Guided Diffusion Model for Large-Hole Image Completion [85.61681358977266]
  画像中の大きな穴を埋める構造誘導拡散モデルを開発した。 本手法は,最先端の手法と比較して,優れた,あるいは同等の視覚的品質を実現する。
  論文  参考訳（メタデータ） (2022-11-18T18:59:01Z)
• Low-Light Image Enhancement with Normalizing Flow [92.52290821418778]
  本稿では,この一対多の関係を正規化フローモデルを用いてモデル化する。 低照度画像/特徴を条件として取り、通常露光される画像の分布をガウス分布にマッピングすることを学ぶ可逆ネットワーク。 既存のベンチマークデータセットによる実験結果から,提案手法はより定量的,質的な結果を得ることができ,照度が良く,ノイズやアーティファクトが小さく,色も豊かになることがわかった。
  論文  参考訳（メタデータ） (2021-09-13T12:45:08Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。