論文の概要: One-Step Generative Modeling via Unbalanced Optimal Transport

• arxiv url: http://arxiv.org/abs/2609.32708v1
• Date: Sat, 26 Sep 2026 15:17:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 21:06:47.36322
• Title: One-Step Generative Modeling via Unbalanced Optimal Transport
• Title（参考訳）: 不均衡最適輸送によるワンステップ生成モデル
• Abstract要約: 大規模トレーニングでは、フィールドは生成されたサンプルと実際のサンプルの有限のミニバッチから計算される。 生成されたサンプルと実際のサンプルは非対称に処理されるべきであり、実際のサンプルに割り当てられた質量は、生成されたサンプルを全て輸送しながら適応させることができる。 本研究の目的は, 生成サンプル境界を固定し, 実データ境界のみを緩和する不均衡最適輸送勾配流(UOT-GF)を提案することである。
• 参考スコア（独自算出の注目度）: 15.281826840525826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drifting models enable one-step generation by amortizing distribution transport into training, but this efficiency places greater demands on the transport field estimated at each update. In large-scale training, the field is computed from finite mini-batches of generated and real samples, which provide only imperfect approximations to the underlying distributions. Balanced optimal transport enforces exact mass matching within every mini-batch, making the estimated field sensitive to the particular composition of the real-data batch. We find that generated and real samples should be treated asymmetrically: letting the mass assigned to real samples adapt while keeping every generated sample fully transported improves generation across six feature-space metrics in controlled ablations, and is more robust to the relaxation strength than relaxing both marginals simultaneously, which falls below balanced transport under stronger relaxation. Motivated by this observation, we propose Unbalanced Optimal Transport Gradient Flow (UOT-GF), which keeps the generated-sample marginal fixed and relaxes only the real-data marginal. Under identical settings at DiT-B/2 on ImageNet-256, UOT-GF improves Fréchet Inception Distance (FID) from 1.53 to 1.46 over the balanced W-Flow baseline; scaling the same recipe yields 1.34 and 1.22 FID at L/2 and XL/2, the best FID among the one-step models we compare. We further derive the induced UOT transport force, establish a kinetic Vlasov--Fokker--Planck formulation whose overdamped zero-temperature limit recovers the drifting dynamics, and characterize non-target stationary states together with sufficient conditions for convergence.
• Abstract（参考訳）: ドリフトモデルにより、分散トランスポートをトレーニングに償却することでワンステップ生成が可能になるが、この効率は更新毎に推定されるトランスポートフィールドに対するより大きな要求を発生させる。 大規模トレーニングでは、フィールドは生成および実サンプルの有限ミニバッチから計算され、基礎となる分布に対する不完全な近似のみを提供する。 バランスの取れた最適輸送は、各ミニバッチ内で正確な質量マッチングを強制し、推定されたフィールドは実データバッチの特定の構成に敏感になる。 生成したサンプルに割り当てられた質量を実際のサンプルに適応させながら、完全に輸送された全てのサンプルが制御されたアブレーションにおいて、6つの特徴空間メトリクスをまたいだ生成を改善し、より強い緩和の下でバランスの取れた輸送よりも、緩和強度に頑健である。 この観測により, 生成サンプル境界を固定し, 実データ境界のみを緩和する不均衡最適輸送勾配流 (UOT-GF) を提案する。 ImageNet-256上のDiT-B/2と同じ設定の下で、UTT-GFはバランスの取れたW-FlowベースラインよりもFréchet Inception Distance (FID)を1.53から1.46に改善した。 さらに、誘導されたUOT輸送力を導出し、破壊されたゼロ温度制限がドリフトダイナミクスを回復する速度論的Vlasov--Fokker-Planckの定式化を確立し、収束に十分な条件とともに非目標定常状態の特徴付けを行う。

関連論文リスト

• Constrained Diffusion Models with Primal-Dual Inference [76.64466170898369]
  我々はPDI(primal-Dual Inference)を用いた制約付き拡散モデルを開発する。 PDIは最適原始分布とそのパラメトリゼーション双対変数を推定する。 我々は、ガウシアン、無線リソースアロケーション、ポートフォリオ管理の混合による制約サンプリングに基づくPDIを評価する。
  論文  参考訳（メタデータ） (2026-06-15T18:32:33Z)
• A Biconvex Formulation for Stable Transport of Mixture Models with a Unique Solution [2.476989126504885]
  最適化トランスポート(OT)は、分散間のマッピングのための計算フレームワークを提供する。 本稿では,画像データや摂動,実世界のデータなどの有効性と実用性を実証する。
  論文  参考訳（メタデータ） (2026-06-01T17:26:04Z)
• One-Step Generative Modeling via Wasserstein Gradient Flows [56.266175641614986]
  W-Flowは、単純な参照分布からサンプルをターゲットデータ分布からサンプルに変換するジェネレータを1ステップでトレーニングするフレームワークである。 我々は1ステップのImageNet 256$times$256 生成のための新しい技術状況を設定し、モードカバレッジとドメイン転送を改善した 1.29 FID を達成した。
  論文  参考訳（メタデータ） (2026-05-12T08:29:44Z)
• Conditional Unbalanced Optimal Transport Maps: An Outlier-Robust Framework for Conditional Generative Modeling [9.488297561764211]
  条件不均衡最適輸送(CUOT)問題は、シスジールの発散による条件分布整合制約を緩和する。 三角形$c$-transformパラメーターを用いた外乱条件生成モデルである条件不均衡最適輸送マップ(CUOTM)を提案する。 2次元合成および画像スケールのデータセットを用いた実験により,CUOTMはより優れた出力ロバスト性および競合分布マッチング性能が得られることを示した。
  論文  参考訳（メタデータ） (2026-03-07T01:21:32Z)
• WFR-MFM: One-Step Inference for Dynamic Unbalanced Optimal Transport [9.661016195647212]
  任意の時間間隔における輸送と質量成長の両方のダイナミクスを要約した非平衡フローマッチングのための平均フローフレームワークを提案する。 我々は、WFR-MFM(Wasserstein-Fisher-Rao Mean Flow Matching)を開発するためのこのフレームワークをさらに構築する。 WFR-MFMは、予測精度を高く保ちながら、既存のベースラインの範囲よりも高速な推定を実現する。
  論文  参考訳（メタデータ） (2026-01-28T13:41:52Z)
• Generative Modeling through the Semi-dual Formulation of Unbalanced Optimal Transport [9.980822222343921]
  非平衡最適輸送(UOT)の半二重定式化に基づく新しい生成モデルを提案する。 OTとは異なり、UOTは分散マッチングの厳しい制約を緩和する。このアプローチは、外れ値に対する堅牢性、トレーニング中の安定性、より高速な収束を提供する。 CIFAR-10ではFIDスコアが2.97、CelebA-HQ-256では6.36である。
  論文  参考訳（メタデータ） (2023-05-24T06:31:05Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)

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。