論文の概要: Self-Augmented Diffusion Guidance for Physics-Informed Generation

• arxiv url: http://arxiv.org/abs/2608.26748v1
• Date: Thu, 27 Aug 2026 07:44:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.292756
• Title: Self-Augmented Diffusion Guidance for Physics-Informed Generation
• Title（参考訳）: 物理インフォームドジェネレーションのための自己拡張拡散誘導
• Abstract要約: 本稿では,自己生成データを用いた拡散誘導に基づく物理インフォームド手法を提案する。 提案手法は, 物理的に正しい力学から偏差度を条件としたデータ分布を学習し, 偏差条件を0と明示的に設定してサンプルを生成する。 実験結果から,提案モデルが標準拡散モデルと比較して限界を著しく低減するだけでなく,既存の物理制約拡散法と組み合わせることで,さらなる縮小を実現することが示された。
• 参考スコア（独自算出の注目度）: 3.686108263907984
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models can be used to generate spatiotemporal signals of physical phenomena, such as time-series images of fluid dynamics. However, a major limitation of standard diffusion models is that they do not incorporate constraints derived from the underlying physical laws. Consequently, generated samples may appear visually plausible while deviating substantially from the true dynamics. In this study, we propose a simple yet effective physics-informed approach based on diffusion guidance with self-generated data augmentation. The proposed method learns the data distribution conditioned on the degree of deviation from the physically correct dynamics and generates samples by explicitly setting the deviation condition to be zero. The method decouples the evaluation of the governing equations from the diffusion model training and sampling processes, avoiding the need to solve the governing equations at every iteration of the denoising process. This design makes the method applicable to problems requiring computationally expensive numerical simulations and enables faster sample generation. Experimental results demonstrate that the proposed model not only significantly reduces the deviations compared with standard diffusion models but also achieves further reductions when combined with existing physics-constrained diffusion methods.
• Abstract（参考訳）: 拡散モデルは、流体力学の時系列画像のような物理現象の時空間的な信号を生成するために用いられる。 しかし、標準拡散モデルの大きな制限は、基礎となる物理法則から導かれる制約を含まないことである。 その結果、生成したサンプルは、真の力学からかなり逸脱しながら、視覚的に可視に見える可能性がある。 本研究では,自己生成データ拡張による拡散誘導に基づく物理インフォームド手法を提案する。 提案手法は, 物理的に正しい力学から偏差度を条件としたデータ分布を学習し, 偏差条件を0と明示的に設定してサンプルを生成する。 本手法は,拡散モデルトレーニングとサンプリングプロセスから支配方程式の評価を分離し,デノナイジングプロセスの各イテレーションで支配方程式を解く必要性を回避する。 この設計により,計算コストのかかる数値シミュレーションを必要とする問題に適用でき,より高速なサンプル生成が可能となる。 実験結果から,提案モデルが標準拡散モデルと比較して偏差を著しく低減するだけでなく,既存の物理制約拡散法と組み合わせることで,さらなる縮退を実現することが示された。

関連論文リスト

• Flow Sampling: Learning to Sample from Unnormalized Densities via Denoising Conditional Processes [8.197659010420418]
  Flow Samplingは、データフリー設定のための拡散モデルとフローマッチングに基づいて構築されたフレームワークである。 補間法を用いて、トレーニング中のエネルギー関数の評価数を最小化し、非正規化密度をサンプリングする効率的でスケーラブルな方法を実現する。
  論文  参考訳（メタデータ） (2026-05-05T17:07:37Z)
• 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)
• PILD: Physics-Informed Learning via Diffusion [10.91770676244394]
  Physics-Informed Learning via Diffusion (PILD) は、拡散モデリングと第一原理物理制約を統一するフレームワークである。 PILDは、既存の物理インフォームドおよび拡散ベースラインの精度、安定性、一般化を大幅に改善する。
  論文  参考訳（メタデータ） (2026-01-29T05:33:51Z)
• Is Your Conditional Diffusion Model Actually Denoising? [35.496429577832416]
  条件付き変数を持つ拡散モデルの誘導バイアスについて検討する。 理想化された復調プロセスからの逸脱は、モデル容量やトレーニングデータの量に関係なく発生することを実証する。
  論文  参考訳（メタデータ） (2025-12-21T13:54:27Z)
• Physics Informed Distillation for Diffusion Models [21.173298037358954]
  本研究では,教師の拡散モデルに対応するODEシステムの解法を表現するために,学生モデルを用いた物理インフォームド蒸留(PID)を導入する。 PIDの性能は最近の蒸留法と同等である。
  論文  参考訳（メタデータ） (2024-11-13T07:03:47Z)
• Provable Statistical Rates for Consistency Diffusion Models [87.28777947976573]
  最先端の性能にもかかわらず、拡散モデルは、多くのステップが伴うため、遅いサンプル生成で知られている。 本稿では, 整合性モデルに関する最初の統計理論に寄与し, 分散不整合最小化問題としてトレーニングを定式化している。
  論文  参考訳（メタデータ） (2024-06-23T20:34:18Z)
• Physics-Informed Diffusion Models [0.0]
  生成モデルと偏微分方程式の充足を統一する枠組みを提案する。 本手法は,流体流動ケーススタディにおける従来の研究と比較して,残差を最大2桁まで低減する。
  論文  参考訳（メタデータ） (2024-03-21T13:52:55Z)
• Uncertainty-aware Surrogate Models for Airfoil Flow Simulations with Denoising Diffusion Probabilistic Models [26.178192913986344]
  本研究では,拡散確率モデル(DDPM)を用いて乱流シミュレーションのための不確実性を考慮した代理モデルの訓練を行う。 その結果、DDPMは解全体の分布を正確に把握し、その結果、シミュレーションの不確かさを正確に推定できることがわかった。 また,正規拡散モデルと比較して,新たな生成モデルであるフローマッチングの評価を行った。
  論文  参考訳（メタデータ） (2023-12-08T19:04:17Z)
• On Error Propagation of Diffusion Models [77.91480554418048]
  DMのアーキテクチャにおける誤り伝播を数学的に定式化するための理論的枠組みを開発する。 累積誤差を正規化項として適用して誤差伝搬を低減する。 提案した正規化はエラーの伝播を低減し,バニラDMを大幅に改善し,以前のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-08-09T15:31:17Z)
• 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)
• ShiftDDPMs: Exploring Conditional Diffusion Models by Shifting Diffusion Trajectories [144.03939123870416]
  本稿では,前処理に条件を導入することで,新しい条件拡散モデルを提案する。 いくつかのシフト規則に基づいて各条件に対して排他的拡散軌跡を割り当てるために、余剰潜在空間を用いる。 我々は textbfShiftDDPMs と呼ぶメソッドを定式化し、既存のメソッドの統一的な視点を提供する。
  論文  参考訳（メタデータ） (2023-02-05T12:48:21Z)
• Bi-Noising Diffusion: Towards Conditional Diffusion Models with Generative Restoration Priors [64.24948495708337]
  本研究では,事前訓練した非条件拡散モデルを用いて,予測サンプルをトレーニングデータ多様体に導入する手法を提案する。 我々は,超解像,着色,乱流除去,画像劣化作業におけるアプローチの有効性を実証するための総合的な実験を行った。
  論文  参考訳（メタデータ） (2022-12-14T17:26:35Z)
• How Much is Enough? A Study on Diffusion Times in Score-based Generative Models [76.76860707897413]
  現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。 本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
  論文  参考訳（メタデータ） (2022-06-10T15:09:46Z)

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。