論文の概要: Adversarial Training for Pixel Diffusion

• arxiv url: http://arxiv.org/abs/2609.38170v1
• Date: Tue, 29 Sep 2026 17:59:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.834282
• Title: Adversarial Training for Pixel Diffusion
• Title（参考訳）: 画素拡散の逆行訓練
• Abstract要約: 画素拡散モデルは、オートエンコーダのボトルネックを避けるためにRGB画像を直接生成する。 対人学習は、この欠損症に対して効果的な訓練後修正を提供することを示す。
• 参考スコア（独自算出の注目度）: 56.81974037444868
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pixel diffusion models generate RGB images directly, avoiding the bottleneck of an autoencoder, yet their outputs still systematically underrepresent fine-scale natural-image statistics. We show that adversarial learning provides an effective post-training correction for this deficiency. Starting from a pretrained model, we retain its original diffusion or flow-matching objective and add an adversarial loss to the predicted output at non-high-noise timesteps, leaving the model architecture and sampling procedure unchanged. To our knowledge, this is the first systematic study of adversarial post-training for pixel diffusion. Across two pixel backbones, the method jointly improves distribution fidelity, coverage, prompt alignment, and perceptual quality. We further investigate why it works. Frequency-band and power-law analyses show that the original models systematically underproduce natural-image high-frequency content, while adversarial post-training restores this missing spectral power. In contrast, perceptual loss also increases high-frequency content but sacrifices distribution fidelity and prompt alignment. Nearest-neighbor, recall, and matched no-GAN SFT controls further rule out memorization, mode dropping, and additional optimization as simple explanations. Finally, we examine the boundary of this effect. Under the tested latent diffusion configurations, the same procedure does not produce comparable joint gains and adds almost no decoded high-frequency power. These results identify direct output access to the image statistics being corrected as a key factor governing when adversarial post-training succeeds.
• Abstract（参考訳）: 画素拡散モデルは、オートエンコーダのボトルネックを回避してRGB画像を直接生成するが、その出力は依然として体系的に微視的な自然像統計を表現していない。 対人学習は、この欠損症に対して効果的な訓練後修正を提供することを示す。 事前訓練されたモデルから始めると、元の拡散や流れマッチングの目的を維持し、予測された出力に非高雑音の時間ステップで逆方向の損失を加え、モデルアーキテクチャとサンプリング手順は変わらない。 我々の知る限り、これはピクセル拡散に対する逆行訓練の最初の体系的研究である。 2つの画素のバックボーンにまたがって、この方法は、分布の忠実度、カバレッジ、迅速なアライメント、知覚品質を共同的に改善する。 我々はそれがなぜ機能するのかをさらに調査する。 周波数帯域とパワー・ロー解析により、元のモデルは体系的に自然像の高周波コンテンツを過小評価する一方、逆方向のポストトレーニングは、この欠落したスペクトルパワーを復元することを示した。 対照的に、知覚損失は高周波の内容を増加させるが、分布の忠実さと迅速なアライメントを犠牲にする。 最寄り、リコール、マッチした非GAN SFTコントロールは、暗記、モードドロップ、および簡単な説明として追加の最適化を除外する。 最後に、この効果の境界について検討する。 試験された潜伏拡散構成の下では、同じ手順は同等のジョイントゲインを発生せず、ほとんど復号された高周波パワーを付加しない。 これらの結果から、画像統計に対する直接出力アクセスが、相手の訓練後成功を規定するキーファクタとして修正されていることが明らかとなった。

関連論文リスト

• Latent Forcing: Reordering the Diffusion Trajectory for Pixel-Space Image Generation [36.41177812868683]
  遅延拡散モデルは高品質な画像を生成するのに優れるが、エンドツーエンドのモデリングの利点は失われる。 本稿では,生の自然画像上での潜伏拡散の効率性を実現するため,既存のアーキテクチャを簡易に修正した潜伏強制法を提案する。 Latent Forcingは、我々の計算スケールで拡散トランスフォーマーベースのピクセル生成のための新しい最先端を実現する。
  論文  参考訳（メタデータ） (2026-02-11T22:09:58Z)
• ADT: Tuning Diffusion Models with Adversarial Supervision [16.974169058917443]
  拡散モデルは、真のデータ分布を近似するために前方ノイズ発生過程を反転させることで、優れた画像生成を実現している。 本稿では、最適化中の推論プロセスを刺激し、最終的な出力をトレーニングデータと整合させるために、Adrial Diffusion Tuning (ADT)を提案する。 ADTは、固定されたトレーニング済みのバックボーンと軽量なトレーニング可能なパラメータを備えたシアム-ネットワーク識別器を備えている。
  論文  参考訳（メタデータ） (2025-04-15T17:37:50Z)
• Rethinking Video Tokenization: A Conditioned Diffusion-based Approach [58.164354605550194]
  新しいトークン化ツールであるDiffusion Conditioned-based Gene Tokenizerは、GANベースのデコーダを条件付き拡散モデルで置き換える。 再建に基本的MSE拡散損失とKL項,LPIPSを併用した訓練を行った。 CDTのスケールダウン版(3$times inference speedup)でさえ、トップベースラインと互換性がある。
  論文  参考訳（メタデータ） (2025-03-05T17:59:19Z)
• Fast constrained sampling in pre-trained diffusion models [80.99262780028015]
  任意の制約下で高速で高品質な生成を可能にするアルゴリズムを提案する。 我々の手法は、最先端のトレーニングフリー推論手法に匹敵するか、超越した結果をもたらす。
  論文  参考訳（メタデータ） (2024-10-24T14:52:38Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• Unmasking Bias in Diffusion Model Training [40.90066994983719]
  拡散モデルが画像生成の主流のアプローチとして登場した。 トレーニングの収束が遅く、サンプリングのカラーシフトの問題に悩まされている。 本稿では,これらの障害は,既定のトレーニングパラダイムに固有のバイアスや準最適性に大きく起因していると考えられる。
  論文  参考訳（メタデータ） (2023-10-12T16:04:41Z)
• Frequency Compensated Diffusion Model for Real-scene Dehazing [6.105813272271171]
  本研究では,実ヘイズへの一般化を改善する条件付き拡散モデルに基づく脱ヘイズフレームワークについて考察する。 提案手法は, 実世界の画像において, 最先端の手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2023-08-21T06:50:44Z)
• Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
  拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。 本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T03:08:28Z)

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。