論文の概要: ReAL: Accelerating Flow Matching through Segment Advancement with Shared Lookahead

• arxiv url: http://arxiv.org/abs/2609.33202v1
• Date: Sun, 27 Sep 2026 04:40:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 02:16:42.403594
• Title: ReAL: Accelerating Flow Matching through Segment Advancement with Shared Lookahead
• Title（参考訳）: Real: 共有ルックアヘッドによるセグメント前進によるフローマッチングの高速化
• Abstract要約: トレーニング不要のサンプルシステムであるReALを導入する。 我々の重要な洞察は、観測された速度ミスマッチから直接、未修正とルックアヘッド修正のエンドポイント提案の相違を計算できるということである。 ReALはFLUX.1-devで4.91倍のスピードアップを達成し、ImageRewardの平均密度は97.0%である。
• 参考スコア（独自算出の注目度）: 7.059310651149615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow-matching models generate high-quality images and videos, but repeated neural network evaluations make sampling expensive. Skipping evaluations reduces this cost by extending an available velocity estimate over a longer span. However, local velocity agreement alone does not determine a suitable span, and checking each candidate endpoint adds costly model calls. We introduce ReAL, a training-free sampler that selects how far to advance using one shared lookahead. Our key insight is that the discrepancy between uncorrected and lookahead-corrected endpoint proposals can be computed directly from the observed velocity mismatch and the candidate span beyond the lookahead. This relation provides a span-dependent selection criterion without additional endpoint evaluations. The same lookahead selects the longest passing candidate span, corrects the accepted update, and supplies its velocity as the next starting estimate. After initialization, each regular iteration requires only one fresh evaluation. ReAL uses the pretrained velocity output and original noise schedule, with no additional training or access to internal features. Experiments cover four image-generation backbones, video generation, and image editing. ReAL achieves 4.91x measured speedup on FLUX.1-dev while retaining 97.0% of dense mean ImageReward. On HunyuanVideo, it achieves a 5.49x speedup while maintaining a VBench score close to that of dense sampling.
• Abstract（参考訳）: フローマッチングモデルは高品質の画像やビデオを生成するが、繰り返しニューラルネットワークの評価によってサンプリングが高価になる。 スキッピング評価は、より長い範囲で利用可能な速度推定を拡張することで、このコストを削減する。 しかし、局所速度アグリーメントだけでは適切なスパンを決定できず、各候補エンドポイントをチェックすると、コストのかかるモデルコールが追加される。 トレーニング不要のサンプルシステムであるReALを導入する。 我々の重要な洞察は、未修正とルックアヘッド修正のエンドポイント提案の相違は、観測された速度ミスマッチから直接計算され、候補はルックアヘッドを超えて広がることである。 この関係は、追加のエンドポイント評価なしで、スパン依存の選択基準を提供する。 同じルックアヘッドは、最長の通過候補スパンを選択し、受け入れた更新を修正し、その速度を次の開始推定値として供給する。 初期化後、各定期的なイテレーションは1つの新しい評価しか必要としない。 ReALはトレーニング済みのベロシティ出力とオリジナルのノイズスケジュールを使用し、追加のトレーニングや内部機能へのアクセスは行わない。 実験では、4つの画像生成バックボーン、ビデオ生成、画像編集をカバーしている。 ReALはFLUX.1-devで4.91倍のスピードアップを達成し、ImageRewardの平均密度は97.0%である。 HunyuanVideoでは、高密度サンプリングに近いVBenchスコアを維持しながら、5.49倍のスピードアップを実現している。

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)
• ReflexTrack: A Feedback-Driven Agent for Training-Free Referring Video Object Segmentation [63.38679125666075]
  オブジェクトセグメンテーション(RVOS)を参照するには、ビデオを通して自然言語で指定されたターゲットをセグメンテーションする必要がある。 近年のエージェントアプローチでは,タスク固有のトレーニングなしでRVOSを実行するために,マルチモーダルな大規模言語モデルと迅速なセグメンテーションモデルを組み合わせている。 トレーニング不要でフィードバック駆動型エージェントであるReflexTrackを導入し、空間的および時間的両方のレベルでループを閉じる。
  論文  参考訳（メタデータ） (2026-07-27T07:39:20Z)
• Adaptive Spectral Feature Forecasting for Diffusion Sampling Acceleration [58.19554276924402]
  スペクトル拡散特徴予測器(Spectrum)を提案する。 我々はFLUX.1で4.79$times$スピードアップ、Wan2.1-14Bで4.67$times$スピードアップを達成する。
  論文  参考訳（メタデータ） (2026-03-02T08:59:11Z)
• FastFlow: Accelerating The Generative Flow Matching Models with Bandit Inference [10.34801095627052]
  フローマッチングモデルは、画像およびビデオ生成における最先端の忠実度を提供するが、固有のシーケンシャルなデノジングプロセスはそれらを遅くする。 我々は,フローマッチングモデルの生成を高速化するプラグイン・アンド・プレイ適応型推論フレームワークであるFastFlowを提案する。 実験では、高品質な出力を維持しながら2.6倍以上のスピードアップを示す。
  論文  参考訳（メタデータ） (2026-02-11T18:21:11Z)
• TTSnap: Test-Time Scaling of Diffusion Models via Noise-Aware Pruning [53.52543819839442]
  テキスト・画像拡散モデルのテスト時間スケーリングに対する顕著なアプローチは、複数のノイズシードの探索として問題を定式化する。 ノイズ対応プルーニング(TTSnap)を用いたテスト時間スケーリングを提案する。
  論文  参考訳（メタデータ） (2025-11-27T09:14:26Z)
• A Simple Early Exiting Framework for Accelerated Sampling in Diffusion Models [14.859580045688487]
  拡散モデルの現実的なボトルネックはサンプリング速度である。 スコア推定に必要な計算を適応的に割り当てる新しいフレームワークを提案する。 本研究では,画像品質を損なうことなく,拡散モデルのサンプリングスループットを大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-08-12T05:33:45Z)
• Convex Hull Prediction for Adaptive Video Streaming by Recurrent Learning [38.574550778712236]
  本稿では,コンテンツ認識凸船体予測の深層学習に基づく手法を提案する。 再帰的畳み込みネットワーク(RCN)を用いて,映像の複雑さを暗黙的に解析し,その凸殻を予測する。 提案するモデルでは, 最適凸殻の近似精度が向上し, 既存の手法と比較して, 競争時間の節約が期待できる。
  論文  参考訳（メタデータ） (2022-06-10T05:11:02Z)

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。