論文の概要: GeoSPRINT: Geometric Redundancy-Aware Step Pruning for Inference in Diffusion Trajectories

• arxiv url: http://arxiv.org/abs/2609.02160v1
• Date: Wed, 02 Sep 2026 06:22:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.104448
• Title: GeoSPRINT: Geometric Redundancy-Aware Step Pruning for Inference in Diffusion Trajectories
• Title（参考訳）: GeoSPRINT: 拡散軌道の推論のための幾何学的冗長性を考慮したステッププルーニング
• Abstract要約: 拡散モデルは高い品質を実現するが、サンプリングには多くの神経機能評価(NFE)を必要とするため、推論時に高価である。 そこで我々はGeoPRINTを紹介した。GeoPRINTは非一様サンプリングスケジュールを構築するためのトレーニング不要フレームワークである。 GeoSPRINTは、一致したNFE予算でのDDIM(Denoising Diffusion Implicit Models)スケジュールを継続的に改善する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models achieve high sample quality but remain expensive at inference time because sampling requires many sequential neural function evaluations (NFEs). Existing acceleration methods either use fixed step-skipping schedules, adapt step sizes based on local numerical error, or require additional training. We introduce GeoSPRINT (Geometric Step Pruning for Inference in Trajectories), a training-free framework for constructing non-uniform sampling schedules from the geometry of denoising trajectories. GeoSPRINT detects geometrically redundant steps using a hyperplanarity test in latent space, implemented efficiently via QR factorization, and converts the resulting redundancy profile into a sampling schedule that allocates more steps to high-curvature regions of the trajectory. In addition, we introduce the trajectory projection score $α_{\mathrm{traj}}$, a residual-variance metric that quantifies trajectory straightness and serves as a model-free diagnostic for rectified flow quality. Across CIFAR-10 ($32{\times}32$), LSUN Church ($256{\times}256$), and Stable Diffusion v1.5 ($512{\times}512$ latent), GeoSPRINT consistently improves over uniform DDIM (Denoising Diffusion Implicit Models) schedules at matched NFE budgets. On CIFAR-10, GeoSPRINT improves FID (Fréchet Inception Distance) by 0.7-1.1 over DDIM across 49-89 NFEs and surpasses DPM-Solver++ at NFE${\geq}30$ despite using a first-order DDIM solver. On LSUN Church, it reduces FID from 1.48 to 1.26 at 52 steps, and on Stable Diffusion v1.5 it achieves up to 1.93 FID improvement over DDIM. These results show that trajectory geometry provides a useful global signal for allocating inference steps and that schedule quality can substantially improve diffusion sampling efficiency without retraining.
• Abstract（参考訳）: 拡散モデルは高い品質を実現するが、サンプリングには多くの逐次的神経機能評価(NFE)を必要とするため、推論時に高価である。 既存の加速度法では、固定ステップスキップスケジュールを使用するか、局所的な数値誤差に基づいてステップサイズを調整するか、追加の訓練を必要とする。 GeoSPRINT(GeoSPRINT:Geometric Step Pruning for Inference in Trajectories)を導入する。 GeoSPRINTは、潜時空間における超平面性テストを用いて幾何学的に冗長なステップを検出し、QR因子化により効率的に実装し、結果として得られた冗長性プロファイルをサンプリングスケジュールに変換し、軌道の高曲率領域により多くのステップを割り当てる。 さらに, トラジェクトリ・プロジェクションスコア$α_{\mathrm{traj}}$は, トラジェクトリ・ストレート性を定量化し, 整流品質のモデルフリー診断として機能する残留分散計量である。 CIFAR-10$32{\times}32$、LSUN Church$256{\times}256$、Stable Diffusion v1.5$512{\times}512$ latent、GeoSPRINTは一致したNFE予算でのDDIM(Denoising Diffusion Implicit Models)のスケジュールよりも一貫して改善されている。 CIFAR-10 では、GeoSPRINT は FID (Fréchet Inception Distance) を 49-89 NFE で DDIM で 0.7-1.1 で改善し、一階の DDIM ソルバーを用いても NFE${\geq}30$ で DPM-Solver++ を上回っている。 LSUN教会では FID を 52 段で 1.48 から 1.26 に減らし、安定拡散 v1.5 では DDIM よりも 1.93 FID の改善を達成している。 これらの結果から,軌道幾何学は推論ステップの割当に有用な大域的信号を提供し,スケジュール品質は再学習なしに拡散サンプリング効率を大幅に向上させることができることがわかった。

関連論文リスト

• Rethinking Pixel Mean Flows via Interval Denoiser [95.11499828543344]
  潜在自由生成のためのフレームワークであるInterval Denoiserを提案する。 その結果,FIDは1ステップ (1-NFE) で4.55, 2ステップ (2-NFE) で3.98であった。
  論文  参考訳（メタデータ） (2026-08-05T13:22:43Z)
• GeoRouteNet: Geometry-Enhanced Non-Autoregressive Neural Solver for the Traveling Salesman Problem [5.202950948929751]
  GeoRouteNetはユークリッド旅行セールスマン問題(TSP)のための幾何学強化ニューラルネットワークである モデル側では、GeoRouteNetには、中心ノード機能、学習可能なラジアル距離基底関数、距離対応グラフアテンション、LayerNorm-SwiGLUフィードフォワードブロック、層間減衰残エンコーダミキシングが組み込まれている。 トレーニング側では,インスタンス毎に複数の候補ツアーを抽出するマルチ候補自己比較強化学習(MCS-RL)を設計する。
  論文  参考訳（メタデータ） (2026-06-22T02:31:22Z)
• Diffusion Image Generation with Explicit Modeling of Data Manifold Geometry [64.61931485161833]
  画像生成モデルは、基礎となるデータ多様体からデータポイントをサンプリングすることを目的としている。 データマニフォールド対応画像差分法(MIND)を提案する。 MINDは離散パッチトークン化を連続拡散モデルのスコア関数に統合する。
  論文  参考訳（メタデータ） (2026-05-25T08:43:14Z)
• Tail-Aware Post-Training Quantization for 3D Geometry Models [58.79500829118265]
  ポストトレーニング量子化(PTQ)は、再トレーニングなしに効率的な推論を可能にする。 PTQは複雑な特徴分布と禁止キャリブレーションオーバーヘッドのために、3Dモデルに効果的に転送できない。 3次元幾何学学習のためのTail-Aware Post-Training Quantization PipelineであるTAPTQを提案する。
  論文  参考訳（メタデータ） (2026-02-02T07:21:15Z)
• Guided Path Sampling: Steering Diffusion Models Back on Track with Principled Path Guidance [5.814544128372275]
  本稿では,反復的改善のための新しいパラダイムとしてガイドパスサンプリング(GPS)を提案する。 GPSは不安定な外挿を、データ多様体上のサンプリングパスが残るように、原理化された、多様体に制約されたものに置き換える。 GPSは、知覚品質と複雑なプロンプト順守の両方において、既存の手法より優れています。
  論文  参考訳（メタデータ） (2025-12-28T11:12:56Z)
• MRS-YOLO Railroad Transmission Line Foreign Object Detection Based on Improved YOLO11 and Channel Pruning [2.6795746856835785]
  YOLO11に基づく改良アルゴリズム MRS-YOLOを提案する。 MRS-YOLOアルゴリズムのmAP50とmAP50:95はそれぞれ94.8%と86.4%に改善されている。
  論文  参考訳（メタデータ） (2025-10-12T11:38:09Z)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• DR-DSGD: A Distributionally Robust Decentralized Learning Algorithm over Graphs [54.08445874064361]
  本稿では,分散環境下での正規化された分散ロバストな学習問題を解くことを提案する。 Kullback-Liebler正規化関数をロバストなmin-max最適化問題に追加することにより、学習問題を修正されたロバストな問題に還元することができる。 提案アルゴリズムは, 最低分布検定精度を最大10%向上できることを示す。
  論文  参考訳（メタデータ） (2022-08-29T18:01:42Z)
• Enhanced Laser-Scan Matching with Online Error Estimation for Highway and Tunnel Driving [0.0]
  Lidarデータは、自動運転車やモバイルロボットプラットフォームのナビゲーションのためのポイントクラウドを生成するために使用できる。 本稿では,2つの新しい改良点を提供するスキャンマッチングアルゴリズムであるIterative Closest Ellipsoidal Transform (ICET)を提案する。
  論文  参考訳（メタデータ） (2022-07-29T13:42:32Z)

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。