Fugu-MT 論文翻訳(概要): Continuous Adversarial MeanFlow Transfer

論文の概要: Continuous Adversarial MeanFlow Transfer

arxiv url: http://arxiv.org/abs/2608.19540v2
Date: Sat, 22 Aug 2026 18:22:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-25 13:29:42.95052
Title: Continuous Adversarial MeanFlow Transfer
Title（参考訳）: 連続逆数平均流伝達
Abstract要約: しかし,ManFlow (MF) モデルが予測する有限間隔平均速度には適用されない。異種音源出力を共有速度表現にマッピングするMeanFlow-Transferを提案する。次に,MF の有限間隔平均速度から瞬時速度まで,逆流モデルを拡張した後学習段階である Continuous Adversarial MeanFlow を紹介する。
参考スコア（独自算出の注目度）: 30.946652462509068
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Training fast generators on new domains with limited data remains challenging for two reasons. First, adapting a pretrained diffusion or flow model to a new domain leaves its costly multi-step sampling unaddressed, and existing acceleration methods are tied to the source parameterization--$ε$, $x$, $v$, or $u$--leaving heterogeneous pretrained models with no common acceleration target. Second, while adversarial refinement is proven effective for few-step quality, it is formulated only for instantaneous-velocity flows, not for the finite-interval average velocities that MeanFlow (MF) models predict. We address both problems. We propose MeanFlow-Transfer, which maps heterogeneous source outputs into a shared velocity representation, uses it to initialize an MF generator from the source weights, and optimizes an MF objective on the target domain. This unifies adaptation and acceleration in a single training loop across a broad range of pretrained models. We then introduce Continuous Adversarial MeanFlow, a post-training stage that extends continuous adversarial flow models from instantaneous velocities to MF's finite-interval average velocities. CAMF contrasts changes in a learned potential between real and predicted interval endpoints, recovering fine detail that MF regression averages away, and reduces to the instantaneous criterion in the vanishing-interval limit. Adapting four ImageNet-based source models--DiT ($ε$), SiT ($v$), JiT ($x$), iMF ($u$)--to five target domains, MF-T with CAMF matches or exceeds the fine-tuned teacher in FID and FDD at up to $125\times$ fewer Neural Function Evaluations (NFEs), while CAMF improves MF-T's few-step FID by $29\%$ on average.
Abstract（参考訳）: 限られたデータを持つ新しいドメインで高速ジェネレータを訓練するのは2つの理由から難しい。まず、事前訓練された拡散またはフローモデルを新しい領域に適応させることで、コストのかかる多段階サンプリングを未調整のまま残し、既存の加速法はソースパラメータ化(-$ε$, $x$, $v$, $u$)に結びついている。第二に, 対角補正は数段階の精度で有効であることが証明されているが, MeanFlow (MF) モデルが予測する有限間隔平均速度に対してではなく, 即時速度フローに対してのみ定式化されている。どちらの問題にも対処する。異種音源の出力を共有速度表現にマッピングするMeanFlow-Transferを提案する。このMeanFlow-Transferは、ソース重みからMF発生器を初期化し、ターゲット領域上でのMF目標を最適化する。これは、訓練済みモデルの幅広い範囲にわたる単一のトレーニングループにおける適応と加速度を統一する。次に、MF の有限区間平均速度から瞬時速度まで連続逆流モデルを拡張する後学習段階である Continuous Adversarial MeanFlow を紹介する。 CAMFは、実時間と予測された間隔の終点間の学習電位の変化を対比し、MFの回帰平均が離れていた細部を復元し、消滅するインターバル限界における瞬時基準に還元する。 ImageNetベースの4つのソースモデル、-DiT(ε$)、SiT(v$)、iT(x$)、iMF(u$)の5つのターゲットドメイン、CAMFにマッチするMF-Tは、FIDとFDDの微調整された教師を最大で125\times$ less Neural Function Evaluations(NFEs)で越え、CAMFはMF-Tの最小ステップFIDを平均29\%で改善する。

論文の概要: Continuous Adversarial MeanFlow Transfer

関連論文リスト