Fugu-MT 論文翻訳(概要): Learning Discriminative Geometry for Drifting Models

論文の概要: Learning Discriminative Geometry for Drifting Models

arxiv url: http://arxiv.org/abs/2610.04703v1
Date: Sat, 03 Oct 2026 18:36:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-11 17:37:25.985493
Title: Learning Discriminative Geometry for Drifting Models
Title（参考訳）: ドリフトモデルのための識別幾何学の学習
Abstract要約: 本稿では,ジェネレータが進化するにつれて,より識別的な表現幾何学を学習する永続的表現学習を紹介する。複数のデータセットにまたがって、本手法は画素から直接効果的な識別表現を学習し、FIDを元のピクセル空間ドリフトモデルに対して約8～95%削減する。
参考スコア（独自算出の注目度）: 6.5056237059170465
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recently proposed Drifting Models shift iterative distribution refinement from inference to training, enabling effective one-step generation. However, their performance on complex image datasets depends strongly on the representation used to construct the drifting field: pixel-space drifting performs poorly, whereas pretrained feature spaces substantially improve sample quality for reasons that remain unclear. We trace this gap to the discriminative geometry of the representation, which determines sample weighting in kernel density estimation (KDE) and, consequently drift. We introduce persistent representation learning, which continuously learns a more discriminative representation geometry as the generator evolves across batches. We further establish a current-step gradient equivalence between the KDE ratio loss and drift regression loss under matched conditions, connecting density-ratio-based generator optimization to empirical drifting and motivating direct control of the drifting velocity. Across multiple datasets, our method learns effective discriminative representations directly from pixels and reduces FID by approximately $82-95\%$ over the original pixel-space Drifting Models, without pretrained encoders. Adapting pretrained representations and applying velocity clipping provide further gains.
Abstract（参考訳）: 最近提案されたドリフトモデルでは、推論からトレーニングへ反復的な分布改善をシフトし、効果的なワンステップ生成を実現している。しかし、複雑な画像データセットにおけるそれらの性能は、ドリフトフィールドを構築するために使われる表現に強く依存している。このギャップは、カーネル密度推定(KDE)におけるサンプル重み付けを判定し、結果としてドリフトする表現の識別幾何学に遡る。永続的な表現学習を導入し、生成器がバッチ間で進化するにつれて、より識別的な表現幾何学を継続的に学習する。さらに、一致条件下でのKDE比損失とドリフト回帰損失の電流-ステップ勾配等価性を確立し、密度比に基づくジェネレータ最適化を経験的ドリフトに接続し、ドリフト速度を直接制御する動機付けを行う。複数のデータセットにまたがって、本手法は、画素から直接効果的な識別表現を学習し、予め訓練されたエンコーダを使わずに、元のピクセル空間ドリフトモデルに対して約8～95 %のFIDを削減できる。事前訓練された表現に適応し、ベロシティ・クリッピングを適用することで、さらなる利得が得られる。

関連論文リスト

Distilling Drifting Transformers with Representation Autoencoders [23.990618033500695]
表現オートエンコーダ(RAE)は、意味的にリッチな潜在空間によって拡散とフローモデルを改善した。本研究では,RAE潜在空間が新たに提案されたドリフトモデルによる蒸留と相容れないことを論じる。
論文参考訳（メタデータ） (2026-06-14T02:46:50Z)
Need We Teach Foundation Models What is a Generative Image? Gradient-Free Generative Artifact Detection via Analytic Spectral Adaptation [3.881211374324378]
勾配ベースの更新による生成成果物の検出に基礎モデルを適用することで、本質的な表現が損なわれる。本稿では,二分分類から外分布(OOD)異常測定問題への検出を緩和する勾配のない手法を提案する。
論文参考訳（メタデータ） (2026-06-03T13:04:23Z)
Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
遅延不一致による冗長性を除去する学習自由フレームワークを提案する。 LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
論文参考訳（メタデータ） (2026-05-29T19:34:39Z)
DriftXpress: Faster Drifting Models via Projected RKHS Fields [7.80855192041271]
DriftXpressは、RKHS場に基づくドリフトモデルの加速定式化である。原ドリフトフィールドのアトラクション・反発構造を保ちながら, フィールド評価のコストを低減させる。画像生成ベンチマーク全体では、DriftXpressは標準的なドリフトに匹敵するFIDを実現し、ウォールクロックのトレーニングコストを削減している。
論文参考訳（メタデータ） (2026-05-12T14:26:31Z)
IR-Flow: Bridging Discriminative and Generative Image Restoration via Rectified Flow [46.532530550015736]
本稿では,Rectified Flowに基づく新しい画像復元手法IR-Flowを提案する。まず, モデルから学習し, 様々なレベルの劣化に適応できる多層データ分散フローを構築した。劣化画像領域とクリーン画像領域間の直線移動流を直接確立することにより,高速な推論が可能となるだけでなく,分布外劣化への適応性も向上することを示す。
論文参考訳（メタデータ） (2026-04-21T16:58:14Z)
Solving Inverse Problems with FLAIR [68.87167940623318]
本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文参考訳（メタデータ） (2025-06-03T09:29:47Z)
datadriftR: An R Package for Concept Drift Detection in Predictive Models [0.0]
本稿では,コンセプトドリフトを検出するためのRパッケージであるドリフト器を紹介する。ドリフト検出とドリフトの背後にある原因の理解を深めることのできるプロファイルドリフト検出(PDD)と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2024-12-15T20:59:49Z)
Adaptive Multi-step Refinement Network for Robust Point Cloud Registration [82.64560249066734]
ポイントクラウド登録は、同じシーンの2つのポイントクラウド間の相対的な厳密な変換を推定する。本稿では,前ステップからの情報を活用することで,各ステップの登録品質を向上する適応型多段階改良ネットワークを提案する。本手法は3DMatch/3DLoMatchベンチマークとKITTIベンチマークの両方で最先端の性能を実現する。
論文参考訳（メタデータ） (2023-12-05T18:59:41Z)
Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文参考訳（メタデータ） (2023-04-10T17:54:38Z)

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。