論文の概要: Controllable Diverse Sampling through Pullback Directions
- arxiv url: http://arxiv.org/abs/2610.14294v1
- Date: Fri, 09 Oct 2026 20:17:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.030169
- Title: Controllable Diverse Sampling through Pullback Directions
- Title（参考訳）: プルバック方向による可制御性広帯域サンプリング
- Abstract要約: 条件拡散モデルは、与えられたプロンプトと密接に一致した高品質な画像を生成することができる。
既存のアプローチはバリエーションを増やすことができるが、しばしば追加の最適化やサンプリングのオーバーヘッドが必要になる。
本研究では,条件付き埋め込み空間から画像空間へのマッピングによって引き起こされる局所的なプルバック形状を利用して,最大出力感度の方向を特定する訓練自由手法を提案する。
- 参考スコア（独自算出の注目度）: 7.291396653006809
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conditional diffusion models can generate high-quality images that align closely with a given prompt. However, samples generated from different random seeds may remain visually similar, limiting creative exploration. Existing approaches can increase variation, but often require additional optimization or sampling overhead, while stronger perturbations may introduce distortions that degrade image quality or prompt alignment. We propose a training-free method that leverages the local pullback geometry induced by the mapping from the conditioning-embedding space to the image space to identify directions of maximal output sensitivity. By steering different sampling trajectories along these directions, we encourage distinct generations while maintaining consistency with the conditioning signal. Experiments on MS-COCO and BrushNet show the efficacy of the method in improving diversity on prompt-conditioned image generation and inpainting.
- Abstract（参考訳）: 条件拡散モデルは、与えられたプロンプトと密接に一致した高品質な画像を生成することができる。
しかし、異なるランダムな種子から生成されたサンプルは、視覚的に類似しており、創造的な探索を制限している。
既存のアプローチは変化を増大させるが、しばしば追加の最適化やサンプリングのオーバーヘッドを必要とするが、強い摂動は画像の品質を低下させる歪みや、迅速なアライメントをもたらすことがある。
本研究では,条件付き埋め込み空間から画像空間へのマッピングによって引き起こされる局所的なプルバック形状を利用して,最大出力感度の方向を特定する訓練自由手法を提案する。
これらの方向に沿って異なるサンプリング軌道を操ることで、コンディショニング信号との整合性を維持しつつ、異なる世代を奨励する。
MS-COCO と BrushNet の実験では, 画像生成と塗装における多様性向上のための手法の有効性が示されている。
関連論文リスト
- Robust Posterior Diffusion-based Sampling via Adaptive Guidance Scale [39.27744518020771]
逆プロブレム定式化のための拡散過程を導出する適応的確率ステップサイズ戦略を提案する。
結果として得られたアプローチであるAdaptive Posterior diffusion Smpling (AdaPS)は、ハイパーフリーであり、多様な画像タスクにおける再構成品質を改善する。
論文 参考訳（メタデータ） (2025-11-23T14:37:59Z) - Detecting Generated Images by Fitting Natural Image Distributions [75.31113784234877]
本稿では,自然画像と生成画像のデータ多様体間の幾何学的差異を利用した新しいフレームワークを提案する。
自然画像に対して一貫した出力を出力するために設計された関数対を用いるが、生成した関数に対しては発散出力を用いる。
データ多様体に沿った変換が、自然画像上で事前訓練された自己教師付きモデルの損失値に有意な変化をもたらす場合、画像は生成されたものとして識別される。
論文 参考訳（メタデータ） (2025-11-03T07:20:38Z) - OSCAR: Orthogonal Stochastic Control for Alignment-Respecting Diversity in Flow Matching [14.664226708184676]
フローベースのテキスト・ツー・イメージモデルは決定論的軌跡に従っており、ユーザーは様々なモードを見つけるために繰り返しサンプルを採取せざるを得ない。
本稿では,フロー自体を多様性に配慮した,トレーニング不要な推論時間制御機構を提案する。
論文 参考訳（メタデータ） (2025-10-10T07:07:19Z) - Diffusing Differentiable Representations [60.72992910766525]
本稿では,事前学習した拡散モデルを用いて,微分可能な表現(拡散)をサンプリングする,新しい学習自由な手法を提案する。
差分によって引き起こされるサンプルに対する暗黙の制約を特定し、この制約に対処することで、生成されたオブジェクトの一貫性と詳細が大幅に改善されることを示す。
論文 参考訳（メタデータ） (2024-12-09T20:42:58Z) - IMPUS: Image Morphing with Perceptually-Uniform Sampling Using Diffusion Models [24.382275473592046]
知覚一様サンプリング(IMPUS)を用いた拡散型画像形成手法を提案する。
IMPUSは画像対を与えられた滑らかで直接的で現実的な適応を生成する。
論文 参考訳（メタデータ） (2023-11-12T10:03:32Z) - Real-World Image Variation by Aligning Diffusion Inversion Chain [53.772004619296794]
生成した画像と実世界の画像の間にはドメインギャップがあり、これは実世界の画像の高品質なバリエーションを生成する上での課題である。
実世界画像のアライメントによる変化(RIVAL)と呼ばれる新しい推論パイプラインを提案する。
我々のパイプラインは、画像生成プロセスとソース画像の反転チェーンを整列させることにより、画像の変動の生成品質を向上させる。
論文 参考訳（メタデータ） (2023-05-30T04:09:47Z) - Auto-regressive Image Synthesis with Integrated Quantization [55.51231796778219]
本稿では,条件付き画像生成のための多目的フレームワークを提案する。
CNNの帰納バイアスと自己回帰の強力なシーケンスモデリングが組み込まれている。
提案手法は,最先端技術と比較して,優れた多彩な画像生成性能を実現する。
論文 参考訳（メタデータ） (2022-07-21T22:19:17Z)
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。