論文の概要: Spend Where It Matters: Particle Search with MH Refinement for Budget-Constrained Audio-Visual Alignment

• arxiv url: http://arxiv.org/abs/2610.12811v1
• Date: Thu, 08 Oct 2026 23:43:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.320537
• Title: Spend Where It Matters: Particle Search with MH Refinement for Budget-Constrained Audio-Visual Alignment
• Title（参考訳）: 音像アライメントのためのMHリファインメントを用いた粒子探索
• Abstract要約: textbfSpend textbfWhere textbfIt textbfMatters (modelname) textbfSpend textbfWhere textbfIt textbfMatters (modelname)
• 参考スコア（独自算出の注目度）: 18.919040628298713
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Reward-guided inference-time alignment can improve joint audio-visual generation, but optimizing multiple alignment objectives requires many expensive model evaluations, making existing methods costly under limited compute. Particle-based search enables global exploration but incurs estimation error with a finite population, while Metropolis-Hastings (MH) can refine candidates locally but benefits from a strong initialization. We introduce \textbf{S}pend \textbf{W}here \textbf{I}t \textbf{M}atters (\modelname), a two-stage, training-free, reward-agnostic framework that combines particle search with MH refinement under a fixed compute budget. In the first stage, we adaptively allocate particles across denoising checkpoints using online variance estimates, minimizing estimation variance while concentrating compute where it is most useful. This search provides a promising candidate for MH refinement, which uses local noise-and-denoise proposals on completed outputs to further improve reward. By starting from a strong candidate, MH can recover additional reward without requiring a larger particle population or costly global exploration. We show that, at matched compute, combining particle search with MH refinement achieves higher rewards than either approach alone. On \textsc{JavisBench-Mini}, at closely matched compute, \modelname achieves mean relative gains across seven metrics of $30.7\%$ over BoN and $14.1\%$ over EvoSearch with JavisDiT++, and $9.2\%$ over BoN and $17.0\%$ over EvoSearch with LTX-2. Beyond joint audio-visual generation, we also demonstrate the benefits of adaptive particle allocation on SD1.5 image generation, improving AestheticScore by $2.2\%$ and ImageReward by $6.0\%$ over uniform allocation.
• Abstract（参考訳）: Reward-guided Inference-timeアライメントは、ジョイント・オーディオ・ビジュアル・ジェネレーションを改善することができるが、複数のアライメントの目的を最適化するには、多くの高価なモデル評価が必要であり、既存の手法は限られた計算量でコストがかかる。 粒子に基づく探索は、大域的な探索を可能にするが、有限個体数で推定誤差を生じさせる一方、メトロポリス・ハスティングス(MH)は局所的に候補を洗練できるが、強い初期化の恩恵を受ける。 固定計算予算の下で粒子探索とMH精製を組み合わせた2段階のトレーニング不要な報酬非依存のフレームワークである。 第1段階では、オンライン分散推定を用いて、特定チェックポイントに分散した粒子を適応的に割り当て、最も有用な計算を集中しながら、推定分散を最小化する。 この探索はMH改善のための有望な候補を提供する。これは、より報酬を改善するために、完了した出力に対して局所的なノイズ・アンド・デノエイズ提案を使用する。 強い候補から始めることで、MHはより大きな粒子集団を必要とせずにさらなる報酬を回収できる。 一致した計算では、粒子探索とMH精製を組み合わせることで、どちらのアプローチよりも高い報酬が得られることを示す。 密に整合した計算で、 \modelname は BoN で 30.7 %、JavisDiT++ で 14.1 %、BoN で 9.2 %、LTX-2 で 17.0 % の7つの指標で平均的な相対的なゲインを達成している。 共同オーディオ映像生成以外にも、SD1.5画像生成における適応粒子割り当ての利点を実証し、AestheticScoreを2.2 %$、ImageRewardを6.0 %$で改善した。

関連論文リスト

• Two-Point Local Optimality in $k$-Means via Boundary-Point Screening [30.362612885851444]
  我々は、少なくとも$r$サンプルの再割り当てが目的関数を減少させるような$r$-point局所最適性を導入する。 BPS-2PLS(Bundary-Point-Screened Two-Point Local Search)を提案する。
  論文  参考訳（メタデータ） (2026-10-05T12:02:08Z)
• HOIBlender: Blending Lightweight Detection with Vision-Language Priors for Efficient Human-Object Interaction Detection [7.426769461233192]
  我々は、そのコア設計原理にちなんで命名された効率的なHOI検出器である textbfHOIBlender を提示する。 検出器で座った視覚トークン、空間的対象物推論、BLIP-2セマンティクスを1つの軽量デコードパイプライン内でブレンドする。 HICO-DETではSOV-STG-VLAとHybrid-SOV-VLAを一貫して上回り、わずか9ドルのトレーニングエポックで44.49ドルのデフォルトフルmAPを達成した。
  論文  参考訳（メタデータ） (2026-09-20T07:57:26Z)
• Flash-BoN: Instant Drafts for Inference-Time Scaling in Diffusion Models [91.19049123903137]
  テキストから画像への推論時間のスケーリングは、単純なBest-of-N$サンプリングからガイド付き検索方法まで進歩している。 これらのアプローチは、いつ、どの程度の頻度でデノベーションを行うかに焦点が当てられているが、生成自体のコストを固定として扱うのがほとんどである。 ウォールクロック評価では、単純なBoNが既にいくつかのガイド付き検索手法に適合または優れていたことを示す。
  論文  参考訳（メタデータ） (2026-07-05T19:02:32Z)
• $\texttt{SPECS}$: Faster Test-Time Scaling through Speculative Drafts [55.231201692232894]
  $textttSPECS$は、投機的デコードにインスパイアされた遅延対応のテスト時間スケーリングメソッドである。 我々の結果は、$textttSPECS$matchはビームサーチの精度を上回り、最大$sim$19.1%のレイテンシを削減していることを示している。
  論文  参考訳（メタデータ） (2025-06-15T05:50:05Z)
• Test-Time Scaling of Diffusion Models via Noise Trajectory Search [10.8507840358202]
  我々は,デミキシングの中間段階において,極端時間と局所的なエクスプロイトをグローバルに探索する$epsilon$-greedy検索アルゴリズムを導入する。 EDMと安定拡散の実験は、クラス条件/テキスト-画像生成のための最先端スコアを明らかにする。
  論文  参考訳（メタデータ） (2025-05-24T19:13:29Z)
• Second-order Optimization of Gaussian Splats with Importance Sampling [51.95046424364725]
  3D Gaussian Splatting (3DGS) は、高品質で高速な推論時間のため、新しいビューレンダリングに広く用いられている。 本稿では,Levenberg-Marquardt (LM) と Conjugate Gradient (CG) に基づく新しい2階最適化手法を提案する。 提案手法は標準LMよりも3倍の高速化を実現し,ガウス数が少ない場合のAdamを6倍の6倍の速さで上回る。
  論文  参考訳（メタデータ） (2025-04-17T12:52:08Z)
• NASH: Neural Architecture and Accelerator Search for Multiplication-Reduced Hybrid Models [6.349667343767052]
  NASHは、乗算還元ハイブリッドモデルのためのニューラルアーキテクチャとアクセラレータ検索フレームワークである。 そこで本研究では,学習前に有望なハイブリッドモデルの事前同定を行うため,ゼロショットの調整手法を提案する。 また,検索プロセスの合理化のために,粗大な検索も導入する。
  論文  参考訳（メタデータ） (2024-09-07T13:42:40Z)
• MVSplat: Efficient 3D Gaussian Splatting from Sparse Multi-View Images [102.7646120414055]
  入力としてスパースなマルチビュー画像を与えられたMVSplatは、クリーンなフィードフォワード3Dガウスを予測できる。 大規模RealEstate10KとACIDベンチマークでは、MVSplatは高速フィードフォワード推論速度(22fps)で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-03-21T17:59:58Z)
• Sample and Computation Redistribution for Efficient Face Detection [137.19388513633484]
  トレーニングデータサンプリングと計算分布戦略は、効率的で正確な顔検出の鍵です。 scrfdf34は、最高の競合製品であるTinaFaceを3.86%(ハードセットでのAP)で上回り、GPU上でVGA解像度画像でmph3$times$より高速です。
  論文  参考訳（メタデータ） (2021-05-10T23:51:14Z)

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。