論文の概要: Beyond Random Couplings: Contrastive Noise Alignment in Generative Flows
- arxiv url: http://arxiv.org/abs/2609.18488v1
- Date: Wed, 16 Sep 2026 11:21:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.769231
- Title: Beyond Random Couplings: Contrastive Noise Alignment in Generative Flows
- Title（参考訳）: ランダムカップリングを超えて:生成フローにおけるコントラストノイズアライメント
- Abstract要約: 雑音表現を直接最適化することにより動的でコントラッシブな結合を生成する訓練時間法であるContrastive Noise Alignment (CNA)を導入する。
理論的には、これはガウス構造を平衡的に保存し、推論中のトラクタビリティを維持することを示す。
数ステップでピクセル空間生成(2-4 NFE)を行う場合、CNAは標準的な修正フローに比べてFIDを50%以上削減する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Diffusion and flow-matching models are typically trained by corrupting data through independently sampled Gaussian noise. While simple and scalable, this forward process induces arbitrary data-noise couplings, forcing the network to learn high-curvature transports between unrelated endpoints. Existing optimal-transport methods reduce this burden by reassigning fixed noise samples to data, but the source noise distribution itself remains passive. To address this, we introduce Contrastive Noise Alignment (CNA), a training-time method that creates dynamic, contrastive couplings by optimizing the noise representations directly. By modeling the noise batch as an interacting particle system, CNA employs a cross-modal InfoNCE objective to align noise particles with their paired data targets. To prevent spatial collapse, this alignment is regularized using an angular entropy term and a radial norm penalty. We show theoretically that this equilibrium asymptotically preserves Gaussian structures, maintaining tractability during inference. Empirically, CNA improves the alignment between noise and data, reduces flow curvature, and provides better generation quality with fewer required sampling steps. For few-step, pixel-space generation (2-4 NFEs), CNA reduces FID by over 50\% compared to standard rectified flow, and by at least 24\% against Optimal Transport baselines.
- Abstract（参考訳）: 拡散と流れマッチングのモデルは通常、独立にサンプリングされたガウスノイズを通じてデータを破損させることによって訓練される。
シンプルでスケーラブルなこのフォワードプロセスは任意のデータノイズ結合を誘導し、ネットワークは無関係なエンドポイント間で高い曲率のトランスポートを学習せざるを得ない。
既存の最適輸送方式は、固定ノイズサンプルをデータに再割り当てすることで、この負担を軽減するが、ソースノイズ分布自体は受動的のままである。
そこで本研究では,雑音表現を直接最適化することにより,動的でコントラッシブな結合を生成する訓練時間法であるContrastive Noise Alignment (CNA)を提案する。
ノイズバッチを相互作用粒子系としてモデル化することにより、CNAは、ノイズ粒子をペアのデータターゲットと整合させるために、クロスモーダルInfoNCEの目的を用いる。
空間崩壊を防止するため、このアライメントは角エントロピー項と放射ノルムペナルティを用いて規則化される。
理論的には、この平衡はガウス構造を漸近的に保存し、推論時のトラクタビリティを維持する。
経験的に、CNAはノイズとデータのアライメントを改善し、フローの曲率を低減し、必要なサンプリングステップを少なくして、より良い生成品質を提供する。
数ステップで、ピクセル空間生成(2-4 NFE)では、CNAは標準整流流に比べてFIDを50%以上削減し、最適輸送ベースラインに対して少なくとも24倍削減する。
関連論文リスト
- Drift-Aware RL-based Wavelet Denoising for Network-Traffic Anomaly Detection [1.5469452301122173]
ネットワーク監視のための交通利用測定は、付加雑音と統計的ドリフトによって損なわれる。
2つのタスクに最適化された前処理層として適応ウェーブレットをデノナイズするドリフト対応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-22T10:52:05Z) - Interleaved Noise Injection Improves Clean, Corrupted, and OOD Performance [1.6567880228735357]
本稿では, ノイズ注入の理論解析を行い, インパルスノイズによる劣化がヤコビ正規化に近似していることを確認する。
本研究は, インダクティブバイアスによる障害モードのペナルティ化が, インターリーブドノイズ注入の効果に起因していることを示す。
したがって、インターリーブノイズ注入は、本質的に計算コストゼロで、クリーンでノイズの多い、およびアウト・オブ・ディストリビューションデータのテスト性能を向上させる効果的なツールである。
論文 参考訳（メタデータ） (2026-07-16T01:25:44Z) - Jacobian-Guided Anisotropic Noise Reshaping for Enhancing Representation Utility under Local Differential Privacy [9.339558179603214]
ローカル微分プライバシー(LDP)は、分散データ収集の基礎となるプリミティブである。
従来のLDPメカニズムは、下流の目的に対する相対的な重要性にかかわらず、あらゆる次元にわたってノイズを均一に注入する。
本稿では,データ表現のタスク関連部分空間におけるノイズを軽減する新しい手法を提案する。
論文 参考訳（メタデータ） (2026-05-16T05:01:41Z) - Faster Inference of Flow-Based Generative Models via Improved Data-Noise Coupling [69.7108839028336]
条件付きフローマッチング(CFM)は、連続正規化フローをトレーニングするためのシミュレーション不要な手法である。
LOOM-CFMは、トレーニング時間内にミニバッチ間でこれらの割り当てを保存し、最適化することにより、ミニバッチ最適輸送(OT)の範囲を拡大する新しい手法である。
提案手法は,複数のデータセット間の速度品質トレードオフのサンプリングにおける一貫した改善を示す。
論文 参考訳（メタデータ） (2026-03-16T13:42:28Z) - Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。
NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
論文 参考訳（メタデータ） (2025-10-14T13:31:34Z) - Noisy Test-Time Adaptation in Vision-Language Models [73.14136220844156]
テスト時間適応(TTA)は、テスト中のターゲットデータのみに依存することにより、ソースデータとターゲットデータの分散シフトに対処することを目的としている。
本稿では、ゼロショット方式で、テスト時にノイズのあるサンプルをターゲットとするデータにモデルを適応させることに焦点を当てたゼロショットノイズTTA(ZS-NTTA)を提案する。
本稿では, 冷凍機の出力を擬似ラベルとして利用し, ノイズ検出器の訓練を行う適応ノイズ検出器(AdaND)を提案する。
論文 参考訳（メタデータ） (2025-02-20T14:37:53Z) - Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。
拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。
我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
論文 参考訳（メタデータ） (2025-01-22T18:52:06Z) - Latent Class-Conditional Noise Model [54.56899309997246]
本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。
次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。
提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
論文 参考訳（メタデータ） (2023-02-19T15:24:37Z) - CFNet: Conditional Filter Learning with Dynamic Noise Estimation for
Real Image Denoising [37.29552796977652]
本稿では、カメラ内信号処理パイプラインを用いた異方性ガウス/ポアソンガウス分布によって近似された実雑音について考察する。
本稿では,特徴位置の異なる最適なカーネルを画像とノイズマップの局所的特徴により適応的に推定できる条件付きフィルタを提案する。
また,CNN構造にノイズ推定や非ブラインド復調を行う場合,反復的特徴復調を導出する前に連続的にノイズを更新すると考える。
論文 参考訳（メタデータ） (2022-11-26T14:28:54Z) - Stabilization of generative adversarial networks via noisy scale-space [6.574517227976925]
Generative adversarial Network(GAN)は、与えられた現実に基づいて偽のデータを生成するためのフレームワークです。
GANを安定化させるために、ノイズは実と偽の分布の重なりを拡大する。
データ平滑化はデータの寸法を減少させるが、ganが高周波情報を学習する能力を抑制する。
論文 参考訳（メタデータ） (2021-05-01T11:32:16Z)
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。