論文の概要: Global Transport Couplings for Classifier-Free Guided Flows

• arxiv url: http://arxiv.org/abs/2610.07555v1
• Date: Tue, 06 Oct 2026 00:39:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.72483
• Title: Global Transport Couplings for Classifier-Free Guided Flows
• Title（参考訳）: クラシファイアフリー誘導流に対するグローバルトランスポート結合
• Abstract要約: クラスラベルなしで計算されるクラス非依存の最適輸送結合であるグローバルトランスポート(GT)を導入する。 GTは一貫してドメイン間の生成を改善し、モデルスケールを拡大し、予算をサンプリングする。 離散クラスと連続テキスト条件の画像生成をモデルスケールで比較してGTを評価し,結合選択が誘導軌道をどのように変化させるかを検討した。
• 参考スコア（独自算出の注目度）: 44.09722258311513
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimal-transport couplings have been shown to reduce training variance in unconditional flow models, but their role in conditional generation remains unclear. A natural approach constructs separate couplings for each condition, but this is impractical for large or continuous conditioning spaces found in modern image foundation models. We introduce Global Transport (GT), a global class-agnostic optimal-transport coupling, computed without class labels. GT can associate different conditions with different regions of the source noise, and consequently worsens performance without guidance. However, when combined with classifier-free guidance (CFG), GT consistently improves generation across domains, model scales, and sampling budgets. This reversal suggests that couplings for conditional flows should be evaluated both empirically and theoretically under the guided flow used at inference, rather than on unguided generation. We evaluate GT over both discrete class and continuous text conditioned image generation across model scales, and investigate how coupling choice alters guided trajectories. These results identify coupling design in the guided flow setting as a simple training time axis to improve performance without modifying existing architectures, samplers, or guidance mechanisms.
• Abstract（参考訳）: 最適輸送結合は非条件流モデルにおける訓練のばらつきを軽減することが示されているが、条件生成におけるそれらの役割はいまだ不明である。 自然なアプローチは各条件に対する個別の結合を構成するが、これは現代の画像基盤モデルに見られる大きな条件空間や連続条件空間では現実的ではない。 クラスラベルなしで計算されるグローバルなクラス非依存の最適輸送結合であるグローバルトランスポート(GT)を導入する。 GTは、異なる条件とソースノイズの異なる領域を関連付けることができ、その結果、ガイダンスなしでパフォーマンスが悪化する。 しかし、分類器フリーガイダンス(CFG)と組み合わせることで、GTはドメイン間の生成、モデルスケール、サンプリング予算を一貫して改善する。 この逆転は、条件付き流れのカップリングは、誘導しない生成ではなく、推論で使用される誘導流れの下で経験的および理論的に評価されるべきであることを示している。 離散クラスと連続テキスト条件の画像生成をモデルスケールで比較してGTを評価し,結合選択が誘導軌道をどのように変化させるかを検討した。 これらの結果は,既存のアーキテクチャやサンプル,あるいはガイダンス機構を変更することなく,単純なトレーニング時間軸として,ガイド付きフロー設定における結合設計を識別する。

関連論文リスト

• PG-MAP: Joint MAP Optimization for Inference-Time Alignment of Diffusion and Flow-Matching Models [0.8594140167290097]
  事前訓練されたテキスト-画像モデルの推測時間アライメントは、通常、単一の制御軸に沿って実行される。 我々は、軌道レベルのギブスマップ/近位エネルギー最適化として推論時間アライメントを定式化する、トレーニング不要のフレームワークPG-MAPを提案する。
  論文  参考訳（メタデータ） (2026-06-22T07:36:36Z)
• 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)
• The Coupling Within: Flow Matching via Distilled Normalizing Flows [45.3372883861006]
  フロートレーニングにおいて重要な要素は、ノイズ/データペアをサンプリングする結合尺度の選択である。 そこで本研究では,NFモデルの準決定論的結合を蒸留し,学生のフローモデルを学習するための正規化フローマッチングを提案する。
  論文  参考訳（メタデータ） (2026-03-09T23:07:36Z)
• Rectified-CFG++ for Flow Based Models [26.896426878221718]
  本稿では,修正フローの決定論的効率を幾何学的条件付きルールと組み合わせた適応型予測器・補正器ガイダンスであるRectified-C++を提案する。 大規模なテキスト・ツー・イメージモデル(Flux, Stable Diffusion 3/3.5, Lumina)の実験では、Rectified-C++がベンチマークデータセットの標準CFGを一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T00:00:47Z)
• Contrastive Flow Matching [61.60002028726023]
  コントラストフローマッチング(Contrastive Flow Matching)は、全ての条件フローに対して一意性を明示するフローマッチング対象の拡張である。 提案手法は,任意のサンプル対からの予測フロー間の相違を最大化するための対照的な目的を与える。 比較フローマッチングによるトレーニングモデル(1)は最大9倍のトレーニング速度,(2)は最大5倍のノイズ除去ステップ,(3)FIDを最大8.9以下に向上させる。
  論文  参考訳（メタデータ） (2025-06-05T17:59:58Z)
• Beyond Optimal Transport: Model-Aligned Coupling for Flow Matching [59.97254029720877]
  フローマッチング(FM)は、サンプルをソース分布からターゲット分布へ輸送するベクトル場を学習するモデルを訓練するための効果的なフレームワークである。 本稿では,幾何距離に基づく学習結合を効果的にマッチングするモデル結合結合(MAC)を提案する。 実験により、MACは既存の手法と比較して、数ステップ設定で生成品質と効率を著しく改善することが示された。
  論文  参考訳（メタデータ） (2025-05-29T11:10:41Z)
• 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。