論文の概要: A Plug-in Interpretation of Conditioning in Score-Based Diffusion Models

• arxiv url: http://arxiv.org/abs/2608.19504v1
• Date: Wed, 19 Aug 2026 23:45:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.416537
• Title: A Plug-in Interpretation of Conditioning in Score-Based Diffusion Models
• Title（参考訳）: スコアベース拡散モデルにおける条件付けのプラグイン解釈
• Abstract要約: 対象と条件の多速連成拡散に基づく拡散モデルの条件付け機構を提案する。 この機構は、無条件のジョイントスコアネットワークを学習し、プラグイン補正項を介して推論時のコンディショニングを実施する。 我々は、条件付き逆時間SDEと近似確率フローODEを導出し、原則付きおよび直接同値な条件付きサンプリングを可能にする。
• 参考スコア（独自算出の注目度）: 18.321591924290967
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a conditioning mechanism for diffusion models based on multi-speed joint diffusion of the target and the condition. The mechanism learns an unconditional joint score network and enforces conditioning at inference via a plug-in correction term. The plug-in term separates the conditioning contribution from the learned unconditional dynamics, offering a transparent view of how the condition steers generation of the target distribution. Building on this, we derive explicit conditional reverse-time SDEs and approximate probability-flow ODEs, enabling principled and directly comparable conditional samplers. To reduce the induced ODE--SDE discrepancy, we introduce a log-Fokker--Planck residual regularization that improves ODE sampling quality. Experiments on conditional image generation tasks demonstrate competitive performance and support the effectiveness of the plug-in conditioning view. Additional ODE--SDE comparison experiments show that the log-Fokker--Planck residual regularization improves deterministic ODE sampling.
• Abstract（参考訳）: 対象と条件の多速連成拡散に基づく拡散モデルの条件付け機構を提案する。 この機構は、無条件のジョイントスコアネットワークを学習し、プラグイン補正項を介して推論時のコンディショニングを実施する。 プラグイン用語は、条件づけのコントリビューションを学習された非条件のダイナミクスから切り離し、条件がターゲットの分布をいかに生成するかを透過的なビューを提供する。 これに基づいて、明示的な条件逆時間SDEと近似確率フローODEを導出し、原理的かつ直接的に比較可能な条件標本化を可能にする。 誘導ODE-SDEの誤差を低減するために,ORサンプリング品質を向上させるlog-Fokker-Planck残差正規化を導入する。 条件付き画像生成タスクの実験は、競合性能を示し、プラグイン・コンディショニング・ビューの有効性をサポートする。 追加のODE-SDE比較実験は、log-Fokker-Planck残差正規化が決定論的ODEサンプリングを改善することを示す。

関連論文リスト

• Guided Flow Matching for Forward and Inverse PDE Problems with Sparse Observations: Algorithm and Theory [2.148615003900331]
  PDE係数の結合分布を学習するフローマッチング生成フレームワークFM4PDEを提案する。 静的および時間依存型ベンチマークPDEの実験では、拡散に基づく生成モデルよりも競合精度と高速な推論が示されている。
  論文  参考訳（メタデータ） (2026-05-25T07:14:11Z)
• Condition Errors Refinement in Autoregressive Image Generation with Diffusion Loss [56.120591983649824]
  本稿では拡散損失を伴う拡散・自己回帰モデルの理論解析について述べる。 自動回帰モデルにおけるパッチデノゲーション最適化は、条件誤差を効果的に軽減し、安定した条件分布をもたらすことを示す。 「条件不整合に対処するための最適輸送(OT)理論に基づく新しい条件改善手法を導入する。」
  論文  参考訳（メタデータ） (2026-02-02T07:48:04Z)
• Non-asymptotic error bounds for probability flow ODEs under weak log-concavity [6.661419982187023]
  この研究は、確率フローODEの一般クラスに対して、2-ワッサーシュタイン距離における非漸近収束境界を確立する。 この結果は収束理論を、より現実的なデータ分布と実用的なODEソルバに拡張する。
  論文  参考訳（メタデータ） (2025-10-20T14:54:38Z)
• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• Distilling Diffusion Models into Conditional GANs [90.76040478677609]
  複雑な多段階拡散モデルを1段階条件付きGAN学生モデルに蒸留する。 E-LatentLPIPSは,拡散モデルの潜在空間で直接動作する知覚的損失である。 我々は, 最先端の1ステップ拡散蒸留モデルよりも優れた1ステップ発生器を実証した。
  論文  参考訳（メタデータ） (2024-05-09T17:59:40Z)
• Unveil Conditional Diffusion Models with Classifier-free Guidance: A Sharp Statistical Theory [87.00653989457834]
  条件付き拡散モデルは現代の画像合成の基礎となり、計算生物学や強化学習などの分野に広く応用されている。 経験的成功にもかかわらず、条件拡散モデルの理論はほとんど欠落している。 本稿では,条件拡散モデルを用いた分布推定の急激な統計的理論を提示することにより,ギャップを埋める。
  論文  参考訳（メタデータ） (2024-03-18T17:08:24Z)
• Conditional Stochastic Interpolation for Generative Learning [10.187337578238063]
  本研究では条件分布を学習するための条件条件付き条件付き(CSI)手法を提案する。 条件予測の観点から条件ドリフトとスコア関数の明示的な表現を導出する。 ベンチマーク画像データセットを用いた画像生成におけるCSIの適用について述べる。
  論文  参考訳（メタデータ） (2023-12-09T13:53:35Z)
• Score-based Generative Modeling Through Backward Stochastic Differential Equations: Inversion and Generation [6.2255027793924285]
  提案したBSDEベースの拡散モデルは、機械学習における微分方程式(SDE)の適用を拡大する拡散モデリングの新しいアプローチを示す。 モデルの理論的保証、スコアマッチングにリプシッツネットワークを用いることの利点、および拡散反転、条件拡散、不確実性定量化など様々な分野への応用の可能性を示す。
  論文  参考訳（メタデータ） (2023-04-26T01:15:35Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)

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。