論文の概要: Contextual Flow Matching: Adaptive Step Selection in Flow Models for Efficient Visual Generation
- arxiv url: http://arxiv.org/abs/2610.03202v1
- Date: Fri, 02 Oct 2026 12:19:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.360664
- Title: Contextual Flow Matching: Adaptive Step Selection in Flow Models for Efficient Visual Generation
- Title（参考訳）: コンテキストフローマッチング:効率的な視覚生成のためのフローモデルにおける適応的なステップ選択
- Abstract要約: フローマッチングは、連続時間ダイナミクスによる高品質なビジュアル生成を可能にする。
提案するCOFLOWは,逐次的特徴に基づいて各世代のステップカウントを適応的に選択する推論時手法である。
本手法はプラグ・アンド・プレイであり,基礎となる生成モデルの再学習は不要である。
- 参考スコア（独自算出の注目度）: 19.964937692962902
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Flow Matching enables high-quality visual generation via continuous-time dynamics, but inference remains costly due to multiple sequential function evaluations. Existing acceleration methods reduce the number of function evaluations but often introduce additional training overhead, degrade quality, or fail to account for input-dependent variability. We propose COFLOW, an inference-time method that adaptively selects the step counts each generation based on the prompt features. Our context-aware COFLOW is trained online with an unsupervised reward that balances inference efficiency and generation fidelity. Our method is plug-and-play, requiring no retraining of the underlying generative model. It generalizes to image and video generation, achieving over 2.5x speedup while preserving perceptual and semantic quality. We further provide a theoretical analysis establishing an O(1/K) forward-Euler discretization error bound under standard regularity conditions.
- Abstract（参考訳）: Flow Matchingは、連続時間ダイナミクスによる高品質なビジュアル生成を可能にするが、複数のシーケンシャル関数評価のために推論はコストがかかる。
既存のアクセラレーション手法は、関数評価の数を減らすが、しばしば追加のトレーニングオーバーヘッド、品質の低下、あるいは入力依存の変数の考慮に失敗する。
提案するCOFLOWは,逐次的特徴に基づいて各世代のステップカウントを適応的に選択する推論時手法である。
当社のコンテキスト対応COFLOWは、推論効率と生成精度のバランスをとる、教師なし報酬でオンラインでトレーニングされています。
本手法はプラグ・アンド・プレイであり,基礎となる生成モデルの再学習は不要である。
イメージ生成とビデオ生成を一般化し、知覚的および意味的品質を保ちながら2.5倍のスピードアップを達成する。
さらに、標準正則条件下でのO(1/K)フォワード・オイラーの離散化誤差を確立する理論的解析を行う。
関連論文リスト
- Perceptual Flow Matching for Few-Step Generative Modeling [64.26537634881244]
知覚フローマッチング(Perceptual Flow Matching)は、フローマッチングモデルにおいて、数ステップ生成のためのフレームワークである。
PFMは、適切な表現空間で教師される際に、高品質な数ステップジェネレータを生成する。
論文 参考訳（メタデータ） (2026-07-03T17:55:01Z) - FlowBender: Feedback-Aware Training for Self-Correcting Conditional Flows [18.746098727212544]
FlowBenderは3D再構成のための新しい拡散流モデルである。
FlowBenderは、標準的な教師付きアライメントトレーニングよりも一貫して優れています。
微分可能な演算子に対して、FlowBenderのいくつかの変種を提案する。
論文 参考訳（メタデータ） (2026-06-18T15:56:07Z) - Probability-Conserving Flow Guidance [49.03107678763765]
Adaptive Manifold Guidance (AdaMaG)はリアリズムを改善し、幻覚を減らし、高誘導下での劣化を制御する。
画像生成ベンチマーク全体で、AdaMaGはリアリズムを改善し、幻覚を減らし、高誘導下での劣化を制御する。
論文 参考訳（メタデータ） (2026-05-19T16:34:01Z) - Euphonium: Steering Video Flow Matching via Process Reward Gradient Guided Stochastic Dynamics [49.242224984144904]
本稿では,プロセス報酬勾配誘導ダイナミクスによる生成を支援する新しいフレームワークであるEuphoniumを提案する。
我々の重要な洞察は、プロセス・リワード・モデルの勾配を明示的に組み込んだ理論的に原理化されたアルゴリズムとしてサンプリング・プロセスを定式化することである。
我々は,誘導信号をフローネットワークに内部化する蒸留目標を導出し,報奨モデルへの推論時間依存性を排除した。
論文 参考訳（メタデータ） (2026-02-04T08:59:57Z) - Self Forcing: Bridging the Train-Test Gap in Autoregressive Video Diffusion [67.94300151774085]
本稿では,自己回帰ビデオ拡散モデルのための新しい訓練パラダイムであるSelf Forcingを紹介する。
露光バイアスの長年の問題に対処し、地道的な文脈で訓練されたモデルは、自身の不完全な出力で条件付けられたシーケンスを生成する必要がある。
論文 参考訳（メタデータ） (2025-06-09T17:59:55Z) - Flow Matching Posterior Sampling: A Training-free Conditional Generation for Flow Matching [13.634043135217254]
本稿では,Flow Matching を用いた Posterior Smpling (FMPS) を提案し,その適用範囲を拡大する。
この補正項は、サロゲートスコア関数を組み込むように再構成することができる。
FMPSは既存の最先端手法に比べて優れた世代品質が得られることを示す。
論文 参考訳（メタデータ） (2024-11-12T08:14:39Z) - Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。
特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
論文 参考訳（メタデータ） (2023-11-22T15:07:59Z)
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。