論文の概要: Background Gradients Shape Memorization in Flow Matching

• arxiv url: http://arxiv.org/abs/2609.33210v1
• Date: Sun, 27 Sep 2026 04:50:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 02:07:52.305928
• Title: Background Gradients Shape Memorization in Flow Matching
• Title（参考訳）: フローマッチングにおける背景勾配形状記憶
• Abstract要約: 反復は生成モデルにおける記憶と密接に関連しているが、他の訓練画像がターゲットの保持とコピーにどのように影響するかははっきりしない。 本研究では,クラス条件付きフローマッチングにおいて,対象セット外の画像が背景となる問題について検討する。 固定されたターゲット繰り返しと同一クラスの背景行数では、繰り返し同じクラスイメージを別のイメージに置き換えることで、ターゲット抽出率が80.7%から18.0%に低下する。
• 参考スコア（独自算出の注目度）: 8.444557329661741
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Repetition is closely associated with memorization in generative models, but how other training images affect the retention and copying of targets remains unclear. We study this question in class-conditioned flow matching, where images outside the target set form the background. At fixed target repetition and same-class background row count, replacing repeated same-class images with distinct images reduces the target extraction rate from 80.7% to 18.0%. To explain this effect, we develop a paired-trajectory framework that isolates target-induced parameter displacement and the background gradient response to it. This response has an exact path-integrated curvature representation, connecting background loss geometry to target learning. Reciprocal response transfer between repeated and distinct backgrounds changes target retention and copying in both directions, establishing the response's causal role. After target removal, the response correction parallel to the target-induced displacement preserves approximately 90% of the copying effects of full response transfer. Directly scaling the displacement also changes copying without further training. The post-removal copying effects of reciprocal transfer are reproduced across datasets and architectures. Together, these results identify the background gradient response as a mechanism through which same-class training data shape the retention of target learning and the reproduction of target images.
• Abstract（参考訳）: 反復は生成モデルにおける記憶と密接に関連しているが、他の訓練画像がターゲットの保持とコピーにどのように影響するかははっきりしない。 本研究では,クラス条件付きフローマッチングにおいて,対象セット外の画像が背景となる問題について検討する。 固定されたターゲット繰り返しと同一クラスの背景行数では、繰り返し同じクラスイメージを別のイメージに置き換えることで、ターゲット抽出率が80.7%から18.0%に低下する。 この効果を説明するために,対象パラメータの変位と背景勾配の応答を分離するペア軌道フレームワークを開発した。 この応答は正確な経路積分曲率表現を持ち、背景損失幾何学と目標学習を接続する。 繰り返しと異なる背景間の相互応答伝達は、ターゲットの保持とコピーを両方向に変更し、応答の因果的役割を確立する。 標的除去後, 目標変位に平行な応答補正は, 全応答伝達のコピー効果の約90%を保っている。 変位を直接スケーリングすると、さらなるトレーニングなしでコピーが変更される。 相互転送の削除後のコピー効果は、データセットやアーキテクチャ間で再現される。 これらの結果から, 背景勾配応答を, 同級学習データが目標学習の保持と目標画像の再生を形作るメカニズムとして同定した。

関連論文リスト

• Energy-oriented Diffusion Bridge for Image Restoration with Foundational Diffusion Models [65.20192162889253]
  低コストな測地軌道の集合を近似するエネルギー指向拡散橋(E-Bridge)フレームワークを提案する。 我々は、短い時間水平線上で進化する新しいブリッジプロセスを設計し、エントロピー規則化点から逆プロセスを開始することで、これを実現する。 得られたE-Bridgeは,画像復元作業における最先端性能を達成しつつ,サンプリングステップを1回以下で高品質なリカバリを実現していることを示す。
  論文  参考訳（メタデータ） (2026-04-13T04:42:55Z)
• HALO: Human-Aligned End-to-end Image Retargeting with Layered Transformations [55.78224865743332]
  Imageは、画像のアスペクト比を変更しながら、その内容と構造を少ない視覚的アーティファクトで維持することを目的としている。 HALOは構造を水平層と非塩分層に分解し、異なる層に異なるラップフィールドを適用する。 本手法は,平均ベースラインよりも18.4%高いユーザ嗜好を達成している。
  論文  参考訳（メタデータ） (2025-04-03T20:53:19Z)
• Repositioning the Subject within Image [78.8467524191102]
  本稿では,革新的動的操作タスク,主題再構成を導入する。 このタスクは、画像の忠実性を保ちながら、ユーザが指定した対象を所望の位置に移動させることである。 本研究は, 主観的再配置の基本的なサブタスクを, 統一的, 即効的な塗装作業として効果的に再構築できることを明らかにする。
  論文  参考訳（メタデータ） (2024-01-30T10:04:49Z)
• All-in-one Multi-degradation Image Restoration Network via Hierarchical Degradation Representation [47.00239809958627]
  我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。 AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。 この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
  論文  参考訳（メタデータ） (2023-08-06T04:51:41Z)
• Near-filed SAR Image Restoration with Deep Learning Inverse Technique: A Preliminary Study [5.489791364472879]
  近接場合成開口レーダ(SAR)は、ターゲットの散乱分布ホットスポットの高解像度画像を提供する。 一方、撮像の結果は、サイドローブ、クラッタ、ノイズから必然的に劣化する。 イメージを復元するために、現在の手法では、例えば、点拡散関数(PSF)は空間的に一貫したものであり、ターゲットはスパース点散乱器などで構成されている。 我々は、分解モデルを空間的に可変な複素畳み込みモデルに再構成し、近接場SARのシステム応答を考慮した。 モデルに基づくディープラーニングネットワークは、復元するために設計されている
  論文  参考訳（メタデータ） (2022-11-28T01:28:33Z)
• Generative and Discriminative Learning for Distorted Image Restoration [22.230017059874445]
  Liquifyは、画像の歪みに使用できる画像編集のテクニックである。 本稿では,深層ニューラルネットワークに基づく新しい生成的・識別的学習手法を提案する。
  論文  参考訳（メタデータ） (2020-11-11T14:01:29Z)
• Unsupervised Landmark Learning from Unpaired Data [117.81440795184587]
  教師なしランドマーク学習の最近の試みは、外観は似ているがポーズでは異なる合成画像対を活用する。 本稿では,2回スワッピング・リコンストラクション・ストラテジーを適用して最終監視を行うクロスイメージ・サイクル整合性フレームワークを提案する。 提案するフレームワークは,強いベースラインを大きなマージンで上回ることを示す。
  論文  参考訳（メタデータ） (2020-06-29T13:57:20Z)
• Image Embedded Segmentation: Uniting Supervised and Unsupervised Objectives for Segmenting Histopathological Images [0.0]
  本稿では,意味組織分割のための完全畳み込みネットワークを学習するための新しい正規化手法を提案する。 これは教師なし学習(イメージ再構成)の利点をネットワークトレーニングに頼っている。 我々の実験は、これらのデータセットのセグメンテーション結果が、データセットのセグメンテーション結果よりも優れていることを示した。
  論文  参考訳（メタデータ） (2020-01-30T08:09:38Z)

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。