論文の概要: Persistence Forcing: Exploiting Feature Specialization in Pixel-Space Diffusion

• arxiv url: http://arxiv.org/abs/2609.36014v1
• Date: Mon, 28 Sep 2026 18:00:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.920536
• Title: Persistence Forcing: Exploiting Feature Specialization in Pixel-Space Diffusion
• Title（参考訳）: Persistence Forcing: ピクセル空間拡散における特殊化の爆発
• Abstract要約: ピクセル空間拡散変換器(DiT)は、高次元の視覚データを直接操作するが、隠された表現は通常、深さにわたって一様に洗練される。 画素空間のDiTに不均一な精細化を導入し、異なる特徴群を奥行きの異なる精細化予算に割り当てる。 細分化された特徴は主にグローバルな視覚構造を符号化するが、より頻繁に改良された特徴はより局所的で高周波な詳細に特化している。
• 参考スコア（独自算出の注目度）: 46.30037297348426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pixel-space diffusion Transformers (DiTs) directly operate on high-dimensional visual data, yet their hidden representations typically undergo uniform refinement across depth. Natural images, however, are inherently organized at different levels of granularity. Global structure can often be represented compactly, whereas local textures and fine details require richer representations. Motivated by this, we introduce heterogeneous refinement in pixel-space DiTs, assigning different feature groups distinct refinement budgets across depth. Consequently, an ordered feature specialization emerges: sparsely refined features predominantly encode global visual structure, whereas more frequently refined features increasingly specialize toward localized, high-frequency details. We refer to these two groups as persistent and active features, respectively. Building on this emergent specialization, we introduce Persistence Forcing (PerF), which explicitly exploits this persistent--active feature organization for pixel-space image generation. This enables persistent features to continuously condition actively refined features, allowing stable global information to guide the ongoing refinement of finer visual details. During generative sampling, this interaction further induces a meaningful guidance direction that promotes coherent global structure and naturally complements classifier-free guidance. On ImageNet $256\times256$, PerF-L achieves FID of $1.91$, approaching $1.86$ of JiT-H with only half the parameters, while PerF-H further achieves FID of $1.63$ and $1.76$ on ImageNet $256\times256$ and $512\times512$, respectively.
• Abstract（参考訳）: ピクセル空間拡散変換器(DiT)は、高次元の視覚データを直接操作するが、隠された表現は通常、深さにわたって一様に洗練される。 しかし、自然画像は本質的に異なるレベルの粒度で組織化されている。 グローバル構造はしばしばコンパクトに表現できるが、局所的なテクスチャや細部はよりリッチな表現を必要とする。 これを動機として,画素空間のDiTに不均一な精細化を導入し,異なる特徴群を奥行きの異なる精細化予算に割り当てる。 細分化された特徴は主にグローバルな視覚構造を符号化するが、より頻繁に改良された特徴はより局所的で高周波な詳細に特化している。 これら2つのグループはそれぞれ,永続的かつアクティブな特徴として言及する。 この創発的な特殊化に基づいて、ピクセル空間画像生成のための永続的機能構造を明示的に活用するPerF(Persistence Forcing)を導入する。 これにより、永続的な特徴が継続的に能動的に洗練され、安定したグローバル情報によって、より詳細な視覚的詳細の洗練を導出することができる。 生成的サンプリングの間、この相互作用は、コヒーレントなグローバル構造を促進し、分類器のないガイダンスを自然に補完する有意義な誘導方向を誘導する。 ImageNetの$256\times256$では、PerF-Lは$1.91$、パラメータの半分で$1.86$、PerF-Hは$1.63$、$1.76$、ImageNetの$256\times256$と$512\times512$である。

関連論文リスト

• MSP-Net: Manifold-Guided Spectral Prompt Network for Hyperspectral Object Tracking [11.03462046191901]
  ハイパースペクトルオブジェクトトラッキングは、複雑なシーンにおけるターゲット識別にユニークな利点を提供する。 既存の方法は、高スペクトル画像をRGB画像のマルチチャネル拡張として扱い、固定帯域順序で特徴融合を行う。 マニフォールド誘導分光プロンプトネットワーク(MSP-Net)を提案する。 HOT2020 と HOT2023 の実験では、MSP-Net は AUC と Precision をそれぞれ 0.80 と 0.96 を超える精度で達成している。
  論文  参考訳（メタデータ） (2026-08-10T13:09:25Z)
• IDEAL: In-DEpth ALignment Makes A Discrete Representation AutoEncoder [74.25043153401586]
  離散表現自動符号化のための奥行きアライメントフレームワークであるIdealを提案する。 量子化トークンを浅いVFM機能と深いVFM機能の両方に合わせることで、結果の離散的な視覚トークンを視覚的忠実性とリッチなセマンティクスの両方を保存することができる。
  論文  参考訳（メタデータ） (2026-06-09T16:53:30Z)
• UniCustom: Unified Visual Conditioning for Multi-Reference Image Generation [65.53694602893042]
  VLMエンコーディングの前にVTとVAE機能を融合した統合ビジュアルコンディショニングフレームワークを提案する。 2つのマルチ参照生成ベンチマークの実験により、UniCustomは主題の一貫性、命令従順、構成の忠実さを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-05-12T13:10:05Z)
• Adaptive Multi-view Graph Contrastive Learning via Fractional-order Neural Diffusion Networks [28.779420227506545]
  グラフコントラスト学習(GCL)は、同じグラフの複数のビューを対比することにより、ノードとグラフ表現を学習する。 本稿では,分数次連続力学に基づく拡張自由多視点GCLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-09T04:01:46Z)
• Beyond Frequency: Seeing Subtle Cues Through the Lens of Spatial Decomposition for Fine-Grained Visual Classification [8.936378000130812]
  本稿では,空間領域における低レベル細部および高レベル意味論の表現能力を適応的に向上する Subtle-Cue Oriented Perception Engine (SCOPE) を提案する。 SCOPEは4つの一般的なきめ細かい画像分類ベンチマークで新しい最先端を実現する。
  論文  参考訳（メタデータ） (2025-08-09T12:13:40Z)
• Robust Hyperspectral Image Panshapring via Sparse Spatial-Spectral Representation [9.3350274016294]
  S$3$RNetはハイパースペクトル画像パネルペンのための新しいフレームワークである。 低分解能ハイパースペクトル画像(LRHSI)と高分解能マルチスペクトル画像(HRMSI)を疎空間スペクトル表現により組み合わせる。 S$3$RNetは、複数の評価指標で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-01-14T09:09:14Z)
• High-Precision Dichotomous Image Segmentation via Probing Diffusion Capacity [69.32473738284374]
  拡散モデルは、例外的な品質、詳細な解像度、強い文脈認識を提供することによって、テキストと画像の合成に革命をもたらした。 本稿では,拡散モデルにおける事前学習されたU-Netのポテンシャルを利用する拡散駆動セグメンテーションモデルDiffDISを提案する。 DIS5Kデータセットの実験は、DiffDISの優位性を示し、合理化された推論プロセスを通じて最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-14T02:49:23Z)

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。