論文の概要: Learned End-to-End Guidance Schedules for Diffusion Models

• arxiv url: http://arxiv.org/abs/2610.01502v1
• Date: Thu, 01 Oct 2026 11:42:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.093377
• Title: Learned End-to-End Guidance Schedules for Diffusion Models
• Title（参考訳）: 拡散モデルのためのエンド・ツー・エンドガイダンスの学習
• Abstract要約: 本研究は,学習したエンドツーエンドガイダンススケジュール(LEEGS)を提案する。 LEEGSは、勾配降下を用いた少数の例に対してガイダンス関数を最小化することで、時間依存のスケジュールを訓練する。 我々は, (a) 画像の塗布, (b) ノイズ画像の逆問題, (c) 顔ID誘導生成, (d) 前方および逆PDE問題を含む多様な指導課題についてLEEGSを評価した。
• 参考スコア（独自算出の注目度）: 27.153845371807765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models are a powerful generative paradigm used across multimedia and scientific applications. Guided diffusion methods impose requirements on the generation by adding the gradient of a differentiable loss (the guidance function) as a drift term during inference. The weight of this drift (the guidance scale) is critical for the trade-off between data quality and requirement satisfaction. To achieve both of these goals, guided diffusion must resort to small guidance scales and lengthy sampling, incurring high computational costs. This work proposes learned end-to-end guidance schedules (LEEGS) to achieve these objectives with fewer sampling steps. LEEGS trains a time-dependent schedule by minimizing the guidance function over a small set of examples using stochastic gradient descent. Backpropagating through guided sampling is computationally expensive, so LEEGS uses an approximation of the gradient that cuts training time by a factor of 4. We evaluate LEEGS on diverse guidance tasks, including (a) image inpainting, (b) noisy image inverse problems, (c) face-ID-guided generation, and (d) forward and inverse PDE problems, outperforming baselines at equal budget (50 or 100 NFEs), or matching constant guidance with only 10% of the steps.
• Abstract（参考訳）: 拡散モデルはマルチメディアおよび科学応用にまたがる強力な生成パラダイムである。 誘導拡散法は、推論中のドリフト項として微分可能な損失(誘導関数)の勾配を追加することにより、生成に要求を課す。 このドリフトの重み(ガイダンス尺度)は、データ品質と要求満足度の間のトレードオフにとって重要である。 これらの目的をどちらも達成するためには、ガイド付き拡散は小さなガイダンススケールと長いサンプリングに頼らなければならず、高い計算コストがかかる。 本研究は,より少ないサンプリングステップでこれらの目的を達成するために,学習したエンドツーエンドガイダンススケジュール(LEEGS)を提案する。 LEEGSは、確率勾配勾配を用いた少数の例に対してガイダンス関数を最小化することにより、時間依存のスケジュールを訓練する。 LEEGSは、トレーニング時間を4倍に削減する勾配の近似を用いて、ガイド付きサンプリングによるバックプロパゲーションを行う。 我々は多種多様な指導課題におけるLEEGSの評価を行う。 (a)画像の塗り絵 (b)ノイズ画像逆問題 (c)Face-ID誘導世代、及び (d) PDE の前方および逆問題,等予算(50ないし100 NFE)で基準線を上回り,ステップの10%に一定のガイダンスが一致した。

関連論文リスト

• TAG:Tangential Amplifying Guidance for Hallucination-Resistant Diffusion Sampling [53.61290359948953]
  タンジェンシャル増幅誘導(TAG)は、下層の拡散モデルを変更することなく、軌道信号のみで動作する。 この誘導過程を1次テイラー展開を利用して定式化する。 TAGは、最小限の計算加算で拡散サンプリング忠実度を改善する、プラグアンドプレイのアーキテクチャに依存しないモジュールである。
  論文  参考訳（メタデータ） (2025-10-06T06:53:29Z)
• Training-Free Stein Diffusion Guidance: Posterior Correction for Sampling Beyond High-Density Regions [46.59494117137471]
  自由拡散誘導の訓練は、追加の訓練なしに既成の分類器を活用する柔軟な方法を提供する。 本稿では,SOC を対象とする新たなトレーニングフリーフレームワークである Stein Diffusion Guidance (SDG) を紹介する。 分子低密度サンプリングタスクの実験は、SDGが標準のトレーニングフリーガイダンス手法を一貫して上回っていることを示唆している。
  論文  参考訳（メタデータ） (2025-07-07T21:14:27Z)
• Dreamguider: Improved Training free Diffusion-based Conditional Generation [31.68823843900196]
  Dreamguiderは、拡散ネットワークを介して計算量の多いバックプロパゲーションを伴わない推論時ガイダンスを可能にする手法である。 提案するモジュールの有効性を示すために,複数のデータセットやモデルにまたがる複数のタスクに対してDreamguiderを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-06-04T17:59:32Z)
• Diffusion-ES: Gradient-free Planning with Diffusion for Autonomous Driving and Zero-Shot Instruction Following [21.81411085058986]
  Reward-gradient guided denoisingは、微分可能報酬関数と拡散モデルによって捕捉されたデータ分布下での確率の両方を最大化する軌道を生成する。 そこで我々は,勾配のない最適化と軌道デノゲーションを組み合わせたDiffusionESを提案する。 DiffusionESは、自動運転のための確立されたクローズドループ計画ベンチマークであるnuPlan上で、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-02-09T17:18:33Z)
• Manifold Preserving Guided Diffusion [121.97907811212123]
  条件付き画像生成は、コスト、一般化可能性、タスク固有のトレーニングの必要性といった課題に直面している。 トレーニング不要な条件生成フレームワークであるManifold Preserving Guided Diffusion (MPGD)を提案する。
  論文  参考訳（メタデータ） (2023-11-28T02:08:06Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)

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。