論文の概要: I-SplineFlow: Learning Monotone Spline Stochastic Interpolant Schedulers for Few-Step Generation
- arxiv url: http://arxiv.org/abs/2609.27963v1
- Date: Sun, 23 Aug 2026 13:01:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:56.022446
- Title: I-SplineFlow: Learning Monotone Spline Stochastic Interpolant Schedulers for Few-Step Generation
- Title（参考訳）: I-SplineFlow:Few-Step生成のためのモノトンスプライン確率補間器の学習
- Abstract要約: 事前訓練された拡散と流れモデルによるわずかなステップ生成は、軽量な訓練によって加速することができる。
I-SplineFlowは、ほとんどの設定でベジエスケジューリングよりも数ステップのFIDを改善している。
- 参考スコア（独自算出の注目度）: 37.87681167138286
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Few-step generation with pretrained diffusion and flow models can be accelerated by lightweight training that optimizes the sampling trajectory rather than the network. A recent approach parameterizes the stochastic interpolant (SI) scheduler as a smooth curve whose control points enforce the three properties an SI scheduler must satisfy: fixed boundary conditions, a monotone signal-to-noise ratio (SNR), and differentiability. Existing parameterizations use globally supported polynomial bases, where every control point moves the whole curve and higher expressiveness needs a higher degree, which couples distant regions of the schedule during optimization. We introduce \emph{I-SplineFlow}, which parameterizes the scheduler with integrated monotone splines (I-splines). I-splines decouple the polynomial degree from the number of mixture weights, so support width and smoothness can be chosen per model at a fixed weight count, and the compactly supported derivative basis makes the scheduler Jacobian orders of magnitude better conditioned than a Bézier basis. Boundary conditions and a strictly monotone SNR hold by construction, with no ordering constraint on the parameters and closed-form velocity derivatives. Across diffusion (EDM) and flow (ReFlow, Simple ReFlow) models, I-SplineFlow improves few-step FID over Bézier scheduling in most settings, most clearly at the lowest NFEs, and trains in minutes. Ablations show that both the degree freedom and the monotonicity constraint are needed. The code will be released upon acceptance.
- Abstract（参考訳）: ネットワークではなくサンプリング軌道を最適化する軽量なトレーニングによって,事前学習した拡散モデルと流れモデルによるわずかなステップ生成を加速することができる。
最近のアプローチでは、制御点がSIスケジューラが満たさなければならない3つの特性を強制する滑らかな曲線として、確率補間器(SI)スケジューラをパラメータ化している。
既存のパラメータ化は、全ての制御点が曲線全体を移動し、より高い表現性を必要とする、グローバルにサポートされている多項式基底を使用する。
本稿では,スケジューラをモノトーンスプライン(I-スプライン)に統合したパラメータ化を行う「emph{I-SplineFlow}」を紹介する。
I-スプラインは混合ウェイトの数から多項式次数を切り離すので、支持幅と滑らかさは固定ウェイト数でモデルごとに選択でき、コンパクトに支持された微分基底はスケジューラヤコビアン順序をベジエ基底よりも格段に良く条件付けする。
境界条件と厳密な単調なSNRは、パラメータや閉形式速度微分に順序的制約を持たず、構成によって保持される。
拡散(EDM)とフロー(ReFlow、Simple ReFlow)モデルを越えたI-SplineFlowは、ほとんどの設定でベジエスケジューリングよりも数ステップのFIDを改善する。
アブレーションは、次数自由度と単調性制約の両方が必要であることを示している。
コードは受理時にリリースされます。
関連論文リスト
- From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。
最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。
次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
論文 参考訳（メタデータ） (2026-07-10T20:59:06Z) - Multi-Fidelity Flow Matching: Cascaded Refinement of PDE Solutions [6.144605787421899]
マルチフィデリティフローマッチング(Multi-Fidelity Flow Matching)は、PDEソリューションのためのカスケード改善フレームワークである。
我々はこれをPDEソリューションのカスケード改善フレームワークであるMulti-Fidelity Flow Matching (MFFM)で活用する。
MFFMは、クエリ毎に決定論的ネットワーク評価を$L$で最良グリッドに達するマルチグリッド改善の学習アナログである。
論文 参考訳（メタデータ） (2026-05-15T16:02:18Z) - CurvZO: Adaptive Curvature-Guided Sparse Zeroth-Order Optimization for Efficient LLM Fine-Tuning [15.930478833291827]
バックプロパゲーションを備えた微調整の大型言語モデル(LLM)は高い性能を実現するが、かなりのメモリオーバーヘッドを引き起こす。
本稿では、スカラーZOフィードバックからオンラインの曲率信号を追跡するCurvZOを提案する。
CurvZOは微調整性能を継続的に改善し,ZOベースラインでのトレーニング時間を短縮することを示す。
論文 参考訳（メタデータ） (2026-03-23T09:13:45Z) - 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) - KoopmanFlow: Spectrally Decoupled Generative Control Policy via Koopman Structural Bias [31.486395926173838]
Generative Control Policies(GCP)は、ロボット操作において大きな可能性を秘めているが、安定なグローバルモーションと高周波局所補正を同時にモデル化するのに苦労している。
クープマンに着想を得た構造的帰納バイアスによって導かれるパラメータ効率の良い生成ポリシーであるクープマンフローを紹介する。
論文 参考訳（メタデータ） (2026-03-14T06:23:07Z) - Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。
平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。
球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
論文 参考訳（メタデータ） (2026-03-11T12:41:46Z) - SplineFlow: Flow Matching for Dynamical Systems with B-Spline Interpolants [14.711575625163045]
SplineFlow(スプラインフロー)は、B-スプラインを通して観測された条件付き経路を共同でモデル化する理論的基盤付きフローマッチングアルゴリズムである。
本研究では,B-スプライン基底の滑らかさと安定性をSplineFlowがいかに活用するかを示すとともに,マルチマージ要求を満たすことを保証する。
論文 参考訳（メタデータ） (2026-01-30T15:19:48Z) - BézierFlow: Bézier Stochastic Interpolant Schedulers for Few-Step Generation [28.843280365794683]
BézierFlowは、事前トレーニングされた拡散とフローモデルを備えた、数ステップ生成のための軽量なトレーニングアプローチである。
トレーニングに15分しか必要とせず、$leq$10 NFEでサンプリングするための2～3倍のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2025-12-15T12:09:32Z) - Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。
我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
論文 参考訳（メタデータ） (2025-05-29T19:59:18Z) - Nesterov Method for Asynchronous Pipeline Parallel Optimization [59.79227116582264]
パイプライン並列処理における非同期最適化のために,Nesterov Accelerated Gradient (NAG) の変種を導入する。
具体的には、NAGのルックアヘッドステップを変更して、勾配の安定性を効果的に解決する。
我々は、勾配の固定遅延の存在下で、我々のアプローチがサブ線形速度で収束することを理論的に証明する。
論文 参考訳（メタデータ） (2025-05-02T08:23:29Z)
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。