論文の概要: One-Step Generation via Riemannian Wasserstein Gradient Flows

• arxiv url: http://arxiv.org/abs/2610.04454v1
• Date: Sat, 03 Oct 2026 11:42:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 10:21:37.432126
• Title: One-Step Generation via Riemannian Wasserstein Gradient Flows
• Title（参考訳）: Riemannian Wasserstein Gradient Flowによるワンステップ生成
• Abstract要約: 我々は1ステップジェネレータのための共通トレーニングフレームワーク内の幾何認識フィールドを導出し、比較する。 最高のパフォーマンスの分野はタスクによって異なり、目的の選択が実際に重要な理由を示している。
• 参考スコア（独自算出の注目度）: 79.75913017747027
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, Drifting Models and Wasserstein Gradient Flows have attracted substantial attention because they move iterative distributional refinement to training and amortize it into a generator, enabling fast inference. However, existing formulations have been developed largely for continuous Euclidean domains, such as image spaces, where particles admit unconstrained additive updates. On constrained spaces, these updates can leave the valid domain or ignore its geometry, making them unsuitable targets for training. Recent work has adapted updates to these spaces, but has focused on particular fields or offered limited empirical comparison. We derive and compare several geometry-aware fields within a common training framework for one-step generators. We test the method on data with different structures and obtain competitive one-step results in each setting. The best-performing field varies by task, showing why the choice of objective matters in practice.
• Abstract（参考訳）: 近年、ドリフトモデルとワッサーシュタイン勾配流は、反復的な分布の洗練を訓練に移行し、高速な推論を可能にするため、かなりの注目を集めている。 しかし、既存の定式化は主にイメージ空間のような連続ユークリッド領域のために開発された。 制約のある空間では、これらの更新は有効なドメインを残したり、ジオメトリを無視したりすることができるため、トレーニングには適さないターゲットとなる。 最近の研究はこれらの空間の更新に適応しているが、特定の分野に焦点を当てたり、限られた経験的比較を提供したりしている。 我々は1ステップジェネレータのための共通トレーニングフレームワーク内の幾何認識フィールドを導出し、比較する。 本手法は,異なる構造を持つデータに対して試験を行い,各設定において競合する一段階の結果を得る。 最高のパフォーマンスの分野はタスクによって異なり、目的の選択が実際に重要な理由を示している。

関連論文リスト

• Drifting Models for Surrogate Flow Modeling [0.4925906256430175]
  学習されたVAE潜在空間でドリフトを行う条件付きアーキテクチャを導入し,ラベル認識マスキングを用いて生成したサンプルを境界条件に整列させる。 我々のモデルは、2桁の精度と流れの整合性の反復拡散に一致し、2桁の速度で実行することができる。
  論文  参考訳（メタデータ） (2026-06-05T17:35:09Z)
• Rethinking Vector Field Learning for Generative Segmentation [50.08025820235397]
  生成的セグメンテーションのためのモデリング拡散モデルが注目されている。 ベクトル場学習の観点から拡散セグメンテーションを再考する。 本稿では,学習した消滅速度場を距離認識補正項で拡張するベクトル場再構成手法を提案する。 この補正は、誘引的相互作用と反発的相互作用の両方を導入し、元の拡散訓練フレームワークを保ちながら、セントロイド付近の勾配等級を増大させる。
  論文  参考訳（メタデータ） (2026-03-19T17:58:19Z)
• How to build a consistency model: Learning flow maps via self-distillation [18.299322342860517]
  フローベース生成モデルは最先端のサンプルの品質を達成するが、推論時に微分方程式の高価な解を必要とする。 これらのモデルには、実際に効率的に学習する方法を明確に説明する統一的な記述がない。 本稿では,フローや拡散モデルに関連するフローマップを直接学習するための体系的なアルゴリズムフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-24T18:50:50Z)
• Generative Modeling of Random Fields from Limited Data via Constrained Latent Flow Matching [0.0]
  深層生成モデルは、科学と工学のための有望なツールであるが、その豊富な高品質のデータへの依存は適用性を制限する。 本稿では,限定的,スパース的,間接的データを補うために,ドメイン知識を取り入れたランダムフィールドの生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-05-19T11:47:44Z)
• Conditioning Diffusions Using Malliavin Calculus [18.62300657866048]
  生成的モデリングと最適制御において、中央の計算タスクは、与えられた端末時間報酬を最大化するために参照拡散プロセスを変更することである。 本稿では,Tweedieスコア公式の非線形微分方程式への一般化を中心に,Malliavin計算に基づく新しい枠組みを導入する。 これにより、拡散ブリッジや、すでに訓練済みの拡散モデルに条件付き制御を追加するような、幅広いアプリケーションを扱うことができます。
  論文  参考訳（メタデータ） (2025-04-04T14:10:21Z)
• Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding [84.3224556294803]
  拡散モデルは、画像、分子、DNA、RNA、タンパク質配列の自然なデザイン空間を捉えるのに優れている。 これらの設計空間の自然性を保ちながら、下流の報酬関数を最適化することを目指している。 提案アルゴリズムは,中間雑音状態が将来高い報酬をもたらすことの先駆けとして,ソフトバリュー関数を統合する。
  論文  参考訳（メタデータ） (2024-08-15T16:47:59Z)
• Latent Traversals in Generative Models as Potential Flows [113.4232528843775]
  我々は,学習された動的ポテンシャルランドスケープを持つ潜在構造をモデル化することを提案する。 物理、最適輸送、神経科学にインスパイアされたこれらの潜在的景観は、物理的に現実的な偏微分方程式として学習される。 本手法は,最先端のベースラインよりも定性的かつ定量的に歪んだ軌跡を実現する。
  論文  参考訳（メタデータ） (2023-04-25T15:53:45Z)
• Diffusion Models for Constrained Domains [11.488860260925504]
  我々は, (i) 対数障壁距離と (ii) 制約によって誘導されるブラウン運動に基づく2つの異なる雑音化過程を示す。 次に、ロボット工学やタンパク質設計の応用を含む、多くの合成および実世界のタスクにおいて、我々の手法の実用性を実証する。
  論文  参考訳（メタデータ） (2023-04-11T17:19:45Z)

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。