論文の概要: Learning Conditional Source Distribution via Flow Reversal for Temporal Flow Matching

• arxiv url: http://arxiv.org/abs/2610.05349v2
• Date: Tue, 06 Oct 2026 06:10:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.369069
• Title: Learning Conditional Source Distribution via Flow Reversal for Temporal Flow Matching
• Title（参考訳）: 時間的流れマッチングのためのフローリバーサルによる条件付き音源分布の学習
• Abstract要約: CNP-Flowは時間生成のためのフローマッチングフレームワークである。 流れの反転を通じて条件付きソース分布を学習する。 ビデオ予測、ビデオ、そして7-DoFのFrankaロボットモーションプランニングで生成品質を継続的に改善する。
• 参考スコア（独自算出の注目度）: 5.446351709118482
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce CNP-Flow, a flow matching framework for temporal generation that learns conditional source distributions through flow reversal. Whereas standard conditional flow matching (FM) incorporates conditioning through the vector field and draws source samples from a standard Gaussian, CNP-Flow uses a conditional noise predictor (CNP) to produce an isotropic Gaussian source for each temporal condition. The CNP is supervised by source samples obtained through flow reversal, which maps observed targets backward through a pretrained FM model. A three-stage pipeline pretrains the FM model, trains the CNP, and fine-tunes the FM model using the learned source distribution, while preserving the FM backbone architecture. Across video prediction, video interpolation, and 7-DoF Franka robot motion planning, CNP-Flow consistently improves generation quality. It also matches baseline performance with fewer function evaluations. Project page: https://embodiedai-ntu.github.io/cnpflow
• Abstract（参考訳）: 本稿では,時間生成のためのフローマッチングフレームワークであるCNP-Flowを紹介する。 標準条件フローマッチング(FM)はベクトル場を通して条件付けを取り入れ、標準ガウスからサンプルを抽出するのに対し、CNP-Flowは条件付きノイズ予測器(CNP)を使用して各時間条件に対して等方ガウス源を生成する。 CNPは、予め訓練されたFMモデルを通して観測されたターゲットを後方にマッピングするフローリバーサルによって得られたソースサンプルによって管理される。 3段階のパイプラインは、FMモデルを事前訓練し、CNPを訓練し、学習したソース分布を用いてFMモデルを微調整し、FMバックボーンアーキテクチャを保存する。 ビデオ予測、ビデオ補間、および7-DoFフランカロボットモーションプランニングを通じて、CNP-Flowは生成品質を一貫して改善する。 また、機能評価の少ないベースラインのパフォーマンスとも一致します。 プロジェクトページ:https://embodiedai-ntu.github.io/cnpflow

関連論文リスト

• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
  フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。 平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。 球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
  論文  参考訳（メタデータ） (2026-03-11T12:41:46Z)
• Stream-level flow matching with Gaussian processes [4.935875591615496]
  条件付きフローマッチング(CFM)は、連続正規化フロー(CNF)を適合させる訓練アルゴリズムの一群である。 我々は、ストリームに沿った条件付き確率パス、ソースとターゲットのデータペアを接続する遅延パスのインスタンスを定義することで、CFMアルゴリズムを拡張した。 本研究では, CFMの一般化により, 推定限界ベクトル場の分散を適度な計算コストで効果的に低減できることを示す。
  論文  参考訳（メタデータ） (2024-09-30T15:47:22Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)

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。