論文の概要: Pooling Representation Autoencoders for Efficient Diffusion

• arxiv url: http://arxiv.org/abs/2610.09242v1
• Date: Wed, 07 Oct 2026 00:13:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.65138
• Title: Pooling Representation Autoencoders for Efficient Diffusion
• Title（参考訳）: 効率的な拡散のためのポーリング表現オートエンコーダ
• Abstract要約: PoolDINOは、近隣のトークンをマージする学習されたアフィンプールオペレータである。 ImageNet-256では、4xトークン圧縮は内部ガイダンスの下で同等な生成品質を保持する。 潜時サンプリングのスループットはそれぞれ3.7倍と9.0倍になる。
• 参考スコア（独自算出の注目度）: 16.895636120216867
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Representation Autoencoders (RAEs) generate images from pre-trained visual fea- tures, but their dense token grids make generative modeling expensive. Motivated by local feature correlations, we introduce PoolDINO, a learned affine pooling operator that merges neighboring tokens. Training the pooling operator jointly with the RGB decoder preserves the standard two-stage RAE procedure without a separate feature auto-encoder. On ImageNet-256, 4x token compression retains comparable generation quality under internal guidance, while 16x compression trades some quality for greater efficiency. At a fixed budget of 100 sampling steps, latent-sampling throughput increases by 3.7x and 9.0x, respectively, relative to the unpooled baseline. Classification and dense prediction evaluations show that comparable guided generation quality can coexist with weaker performance on other tasks.
• Abstract（参考訳）: Representation Autoencoders (RAEs) は、事前訓練された視覚的フェア・テクスチャから画像を生成するが、それらの密集したトークングリッドは、生成モデリングを高価にしている。 局所的な特徴相関により,近隣のトークンをマージする学習アフィンプール演算子PoolDINOを導入する。 RGBデコーダと共同でプーリング演算子を訓練することは、分離された機能オートエンコーダなしで標準の2段階RAE手順を保存する。 ImageNet-256では、4xトークン圧縮は内部ガイダンスの下で同等な生成品質を維持し、一方16x圧縮はより効率のよい何らかの品質を交換する。 サンプリングステップ100の固定予算では、潜時サンプリングのスループットはそれぞれ3.7倍、9.0倍になる。 分類と厳密な予測評価は、同等のガイド付き生成品質が、他のタスクにおけるより弱い性能と共存可能であることを示している。

関連論文リスト

• Information Capacity of Generative Video Compression: Quantifying the Rate-Compute Exchange at Identical Quality [55.74509503975397]
  生成ビデオ圧縮(GVC)は、超低帯域幅のコンパクトトークンを送信することで、この交換を具現化する。 デコーダの計算単位が実際にどれだけの帯域節約を達成できるかは、まだ定量化されていない。 14Bデコーダが1.3Bデコーダの約10倍の効率でより少ないレートでより多くの計算を処理していることを示す。
  論文  参考訳（メタデータ） (2026-09-23T07:56:15Z)
• UDT: Reconciling U-Nets and Diffusion Transformers with Data-Adaptive Token Reduction [4.511561231517167]
  Diffusion Transformer (DiT) は、生成モデリングのコアアーキテクチャとして登場した。 本稿では,DiTの表現能力とU-Netの符号化・復号化の利点を組み合わせたU-Net拡散変換器UDTを提案する。
  論文  参考訳（メタデータ） (2026-08-02T15:07:21Z)
• SelKV: Selective KV Cache Merging with Per-Token Merge-or-Drop and Attention Compensation [0.0]
  大規模言語モデルは、メモリフットプリントがコンテキスト長とともに線形に増加するキー値(KV)キャッシュに依存して、テキストを自動回帰的に生成する。 最近の圧縮法はトークンマージによるコストを軽減している。 これらの制約に対処するKVキャッシュ圧縮のためのトレーニングフリーでデュアルコンポーネントのフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-19T17:44:56Z)
• End-to-End Training for Unified Tokenization and Latent Denoising [82.91537591286554]
  統一トークン化と潜伏拡散のためのオートエンコーダアーキテクチャUNITEを提案する。 UNITEは、画像トークン化器と重量共有による潜伏ジェネレータの両方として機能するジェネレータで構成されている。 トークン化とスクラッチ生成の単一段階共同訓練が実現可能であることを示す。
  論文  参考訳（メタデータ） (2026-03-23T17:59:49Z)
• Plug-and-Play Context Feature Reuse for Efficient Masked Generation [36.563229330549284]
  MGM(Masked Generative Model)は、画像合成の強力なフレームワークとして登場した。 本稿では,MGMの推論を高速化するプラグイン・アンド・プレイモジュールであるReCAP(Reused Context-Aware Prediction)を紹介する。
  論文  参考訳（メタデータ） (2025-05-25T10:57:35Z)
• REN: Fast and Efficient Region Encodings from Patch-Based Image Encoders [48.93587822355874]
  Region Network (REN) は、ポイントプロンプトを用いて領域ベースの画像表現を生成するための高速で効果的なモデルである。 RENは、リージョントークンを直接生成する軽量モジュールを使用して、このボトルネックをバイパスする。 これはいくつかのクロスアテンションブロックを使用し、ポイントプロンプトをクエリとして取り、パッチベースのイメージエンコーダからキーと値として機能してリージョントークンを生成する。
  論文  参考訳（メタデータ） (2025-05-23T17:59:33Z)
• Robust Latent Matters: Boosting Image Generation with Sampling Error Synthesis [57.7367843129838]
  最近の画像生成方式は、凍結した画像トークン化器に依存した事前構築された潜在空間における画像分布を典型的に捉えている。 本稿では,遅延空間構築を容易にするための新しいプラグ・アンド・プレイ・トークンライザ・トレーニング手法を提案する。
  論文  参考訳（メタデータ） (2025-03-11T12:09:11Z)
• Epsilon-VAE: Denoising as Visual Decoding [61.29255979767292]
  復号化は1段階の再構成から反復的改良へと移行する。 具体的には、デコーダを拡散処理に置き換え、ノイズを反復的に改善して元の画像を復元する。 拡散による反復的再構成により, 自己エンコーダであるEpsilon-VAEは高い再構成品質を実現する。
  論文  参考訳（メタデータ） (2024-10-05T08:27:53Z)
• Improving Auto-Encoders' self-supervised image classification using pseudo-labelling via data augmentation and the perceptual loss [0.9558392439655015]
  擬似ラベルのない画像に新しい手法を導入し、オートエンコーダを訓練して自己教師付きで分類する。 提案手法は,まずランダムにサンプル化したデータ拡張変換をトレーニング画像に適用する。 オートエンコーダを用いて、拡張画像の各セットとその対応する擬似ラベル間のマッピングを学習する。
  論文  参考訳（メタデータ） (2020-12-06T17:03:34Z)
• Learning Autoencoders with Relational Regularization [89.53065887608088]
  データ分散のオートエンコーダを学習するための新しいフレームワークを提案する。 エンフレレーショナル正規化によるモデルと対象分布の差を最小限にする 我々はこのフレームワークを2つのスケーラブルアルゴリズムで実装し、確率的および決定論的オートエンコーダの両方に適用する。
  論文  参考訳（メタデータ） (2020-02-07T17:27:30Z)

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。