論文の概要: AREX: Affine-Residual Exponential Integrator for Few-Step Sampling in Flow Matching

• arxiv url: http://arxiv.org/abs/2610.03483v1
• Date: Fri, 02 Oct 2026 15:50:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.461109
• Title: AREX: Affine-Residual Exponential Integrator for Few-Step Sampling in Flow Matching
• Title（参考訳）: AREX:Affine-Residual Exponential Integrator for Few-Step Smpling in Flow Matching
• Abstract要約: AREXは、事前訓練されたフローマッチングモデルのためのトレーニング不要のサンプルである。 モーメントマッチングされたガウス目標の速度場は、限界速度場に対する最適アフィン近似$L2$であることを示す。
• 参考スコア（独自算出の注目度）: 10.526976206873387
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce AREX, a training-free sampler for pretrained flow matching models that uses the target mean and covariance to capture an analytically tractable part of the sampling dynamics. We show that the velocity field of the moment-matched Gaussian target is the $L^2$-optimal affine approximation to the marginal velocity field. This motivates decomposition of the learned dynamics into an affine component over the whole sampling path, determined by the first two target moments, and a neural residual term. AREX keeps the affine component and integrates it using an explicit matrix-valued propagator. In turn, we only require to integrate over the residual term. This differs from scalar exponential integrators, which analytically handle only isotropic linear dynamics. Across image and text-to-image generation tasks, AREX consistently improves sample fidelity in the few-step sampling regime without retraining the underlying model.
• Abstract（参考訳）: 本稿では, 目標平均値と共分散値を用いて, サンプリングダイナミックスの抽出可能な部分を捕捉する, 事前学習型流れマッチングモデルのためのトレーニング不要サンプリング器AREXを紹介する。 モーメントマッチングされたガウス目標の速度場は, 限界速度場に対するL^2$-最適アフィン近似であることを示す。 これにより、最初の2つの標的モーメントとニューラル残留項によって決定されるサンプリングパス全体のアフィン成分への学習力学の分解が動機付けられる。 AREXはアフィンコンポーネントを保持し、明示的な行列値プロパゲータを使用して統合する。 言い換えると、我々は残余の項にのみ統合する必要がある。 これは、等方線型力学のみを解析的に扱うスカラー指数積分器とは異なる。 画像およびテキスト・ツー・イメージ生成タスク全体にわたって、AREXは基礎となるモデルを再トレーニングすることなく、数ステップのサンプリングレジームにおけるサンプルの忠実度を一貫して改善する。

関連論文リスト

• Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
  Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。 平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
  論文  参考訳（メタデータ） (2026-09-29T11:24:19Z)
• Rethinking Pixel Mean Flows via Interval Denoiser [95.11499828543344]
  潜在自由生成のためのフレームワークであるInterval Denoiserを提案する。 その結果,FIDは1ステップ (1-NFE) で4.55, 2ステップ (2-NFE) で3.98であった。
  論文  参考訳（メタデータ） (2026-08-05T13:22:43Z)
• Reactive Flux Matching: Mechanism Discovery and Adaptive Sampling of Rare Events [13.883896077426597]
  反応軌道データから2つの相補的オブジェクトを直接学習するフレームワークであるFlux Matchingを紹介する。 Fフラックスマッチングは、分子系の電流速度軌跡の生成と速度定数計算によって検証される。
  論文  参考訳（メタデータ） (2026-06-04T15:31:50Z)
• One-Step Generative Modeling via Wasserstein Gradient Flows [56.266175641614986]
  W-Flowは、単純な参照分布からサンプルをターゲットデータ分布からサンプルに変換するジェネレータを1ステップでトレーニングするフレームワークである。 我々は1ステップのImageNet 256$times$256 生成のための新しい技術状況を設定し、モードカバレッジとドメイン転送を改善した 1.29 FID を達成した。
  論文  参考訳（メタデータ） (2026-05-12T08:29:44Z)
• Efficient Adjoint Matching for Fine-tuning Diffusion Models [47.05085426361986]
  本研究では,テキストベースドリフトとテキスト端末コストでSOC問題を修正し,トレーニング効率を大幅に向上するEMAを提案する。 EAMはAMよりも最大4倍早く収束し、PickScore、ImageReward、HPSv2.1、CLIPScore、Aestheticsなど様々なメトリクスにマッチするか、超える。
  論文  参考訳（メタデータ） (2026-05-12T03:55:12Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• Sublinear iterations can suffice even for DDPMs [20.394390032998036]
  本研究では,「シフト合成規則」アルゴリズムが適切な仮定の下で良好な離散化特性を持つことを示す。 これは純粋なDDPMサンプリングに束縛された最初のサブ線形複雑性である。 また,本手法の利点を実験的に検証し,事前学習した画像合成モデルを用いて実運用で有効であることを示す。
  論文  参考訳（メタデータ） (2025-11-06T22:15:19Z)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• Unfolding Generative Flows with Koopman Operators: Fast and Interpretable Sampling [25.420559502119485]
  連続正規化フロー (Continuous Normalizing Flows, CNF) はエレガントな生成モデリングを実現する。 Rectified Flow や OT-CFM といった最近の手法は、直線化軌道によるサンプリングを加速するが、学習されたダイナミクスは非線形ブラックボックスのままである。 我々はクープマン理論を通した大域的線形化フローダイナミクスを提案する。
  論文  参考訳（メタデータ） (2025-06-27T15:16:16Z)
• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)

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。