論文の概要: Classifier-Free Guidance in Flow Matching: Non-Autonomous Potentials, Overshoot, and Posterior-Mean Control
- arxiv url: http://arxiv.org/abs/2609.24287v1
- Date: Mon, 21 Sep 2026 08:46:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.217477
- Title: Classifier-Free Guidance in Flow Matching: Non-Autonomous Potentials, Overshoot, and Posterior-Mean Control
- Title（参考訳）: フローマッチングにおけるクラシファイアフリーガイダンス:非自律電位、オーバーシュートおよび後平均制御
- Abstract要約: Posterior-Mean-Capped CFG (PMC-CFG) はトレーニング不要で,ネットワーク評価を付加することなく最強の誘導を適応的に保持する手法である。
PMC-CFGは、アライメントトレードオフを改善しつつ、誘導誘導による歪みと濃度を制限し、特に名目誘導が大きい場合、特に有利であることを示す。
- 参考スコア（独自算出の注目度）: 1.6839279583754527
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Classifier-free guidance (CFG) improves conditional generation in Flow Matching, but strong guidance can distort the generated distribution and reduce diversity. We provide a geometric account of this behavior by viewing Flow Matching as a time-varying gradient flow and characterizing how CFG reshapes its underlying potential. This view explains how stronger alignment can be accompanied by mean displacement and trajectory concentration, and motivates controlling guidance through the model-implied terminal posterior mean. We therefore propose Posterior-Mean-Capped CFG (PMC-CFG), a training-free, per-sample method that adaptively retains the strongest feasible guidance without additional network evaluations. Experiments on synthetic and large-scale image-generation benchmarks show that PMC-CFG limits guidance-induced distortion and concentration while improving the alignment--diversity trade-off, with particularly strong benefits when nominal guidance is large.
- Abstract（参考訳）: 分類器フリーガイダンス(CFG)は、フローマッチングにおける条件生成を改善するが、強力なガイダンスは生成された分布を歪め、多様性を減らすことができる。
本研究では,フローマッチングを時間変化の勾配流として捉え,CFGがその基礎となるポテンシャルをどう再認識するかを特徴付けることによって,この挙動を幾何学的に説明する。
本説では, 平均変位と軌跡濃度を伴ってアライメントがいかに強められるかを説明し, モデルにより実装された終端平均による誘導制御を動機づける。
そこで本稿では,ネットワーク評価を必要とせずに最強の誘導を適応的に保持するトレーニングフリーなサンプルごとのCFG(Posterior-Mean-Capped CFG)を提案する。
合成および大規模画像生成ベンチマークの実験により、PMC-CFGは、アライメント-多様性トレードオフを改善しつつ、誘導誘起歪みと濃度を制限する。
関連論文リスト
- Information-Theoretic Classifier-Free Guidance with Adaptive Schedule Optimization [15.35957804795103]
拡散モデルは、画像、テキスト・ツー・イメージ、ビデオ生成において高いパフォーマンスを達成している。
CFGスケジュール最適化のための情報理論フレームワークを提案する。
ImageNet-512、EDM-XXL、COCO、SD-XLでは、学習スケジュールは一定のガイダンスよりも競争力や改善されたトレードオフを達成する。
論文 参考訳（メタデータ） (2026-06-23T00:04:04Z) - Probability-Conserving Flow Guidance [49.03107678763765]
Adaptive Manifold Guidance (AdaMaG)はリアリズムを改善し、幻覚を減らし、高誘導下での劣化を制御する。
画像生成ベンチマーク全体で、AdaMaGはリアリズムを改善し、幻覚を減らし、高誘導下での劣化を制御する。
論文 参考訳（メタデータ） (2026-05-19T16:34:01Z) - MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。
ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
論文 参考訳（メタデータ） (2026-05-18T01:52:12Z) - Mitigating Error Amplification in Fast Adversarial Training [58.74042726356826]
FAT(Fast Adversarial Training)は、ネットワークに摂動不変表現の学習を促すことによって、モデルロバスト性の向上に有効であることが証明されている。
FATは、しばしば破滅的なオーバーフィッティング(CO)に悩まされ、モデルがトレーニングアタックに過度に適合し、目に見えないものへの一般化に失敗する。
本稿では、摂動予算と監視信号の両方を動的に調整する分散対応動的ガイダンス(DDG)戦略を提案する。
論文 参考訳（メタデータ） (2026-04-27T11:23:18Z) - Manifold-Optimal Guidance: A Unified Riemannian Control View of Diffusion Guidance [21.903550549566575]
本稿では,局所最適制御問題としてガイダンスを再構成する枠組みを提案する。
MOGはクローズドな幾何対応の更新を行い、再トレーニングを必要とせずにオフマニフォールドのドリフトを補正する。
論文 参考訳（メタデータ） (2026-03-12T03:51:32Z) - CFG-Ctrl: Control-Based Classifier-Free Diffusion Guidance [31.552164852288325]
スライディングモード制御CFG(SMC-CFG)を導入する。
SMC-CFGは、様々なガイダンス尺度において、セマンティックアライメントとロバストネスにおいて標準CFGを上回っている。
論文 参考訳（メタデータ） (2026-03-03T18:59:48Z) - Improving Classifier-Free Guidance of Flow Matching via Manifold Projection [3.6087998976768128]
最適化のレンズによるCFGの原理的解釈を提供する。
CFGサンプリングを多様体制約によるホモトピー最適化として再構成する。
提案手法は, トレーニング不要かつ一貫した生成忠実度, 迅速なアライメント, ガイダンス尺度に対するロバスト性である。
論文 参考訳（メタデータ） (2026-01-29T15:49:31Z) - Normalized Attention Guidance: Universal Negative Guidance for Diffusion Models [57.20761595019967]
注意空間にL1をベースとした正規化・精細化を施した,効率的かつトレーニング不要な機構である正規化注意誘導(NAG)を提案する。
NAGは、CFGが忠実性を維持しながら崩壊する効果的な負のガイダンスを復元する。
NAGはアーキテクチャ(UNet、DiT)、サンプリングレシスタンス(複数ステップ、複数ステップ)、モダリティ(イメージ、ビデオ)をまたいで一般化する
論文 参考訳（メタデータ） (2025-05-27T13:30:46Z) - Contrastive CFG: Improving CFG in Diffusion Models by Contrasting Positive and Negative Concepts [55.298031232672734]
As-Free Guidance (CFG) は条件拡散モデルサンプリングに有効であることが証明された。
対照的な損失を用いた負のCFG誘導を強化する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-11-26T03:29:27Z) - End-to-End Diffusion Latent Optimization Improves Classifier Guidance [81.27364542975235]
拡散潜水剤(DOODL)の直接最適化は,新しいガイダンス手法である。
拡散潜伏剤の最適化によるプラグアンドプレイ誘導を可能にする。
計算と人的評価の指標において、一段階の分類器ガイダンスよりも優れている。
論文 参考訳（メタデータ） (2023-03-23T22:43:52Z)
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。