論文の概要: Guidance Without Labels: Flow Matching from Coupled Gaussian Mixtures

• arxiv url: http://arxiv.org/abs/2610.16654v1
• Date: Mon, 12 Oct 2026 12:10:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 22:00:52.085356
• Title: Guidance Without Labels: Flow Matching from Coupled Gaussian Mixtures
• Title（参考訳）: ラベルのないガイダンス:結合したガウス混合体からのフローマッチング
• Abstract要約: フローマッチングモデルは通常、ガウスのソースをデータ分散に転送するように訓練される。 得られたトランスポートは標準ガウスソース問題に還元され、ガイダンスのような補正が可能であることを示す。 CIFAR-10 と CelebA-HQ のチェックポイントで本モデルを検証した。
• 参考スコア（独自算出の注目度）: 13.013978887362674
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flow matching models are typically trained to transport a Gaussian source to the data distribution, with source and target samples paired independently. We replace the source with a fitted Gaussian mixture and couple each data point to a mixture component through an entropic optimal transport problem. We show that the resulting transport reduces to the standard Gaussian-source problem up to a guidance-like correction, which enables the reuse of a pretrained velocity field. This correction is a closed-form function of the fitted mixture plus a term that we learn with a small correction network. We test our model on published checkpoints for CIFAR-10 and CelebA-HQ. It improves FID at every step count, and on CelebA-HQ it reaches the quality of the baseline with about half the steps. The closed-form term alone, with no training, already delivers most of this improvement; the small correction network accounts for the rest.
• Abstract（参考訳）: フローマッチングモデルは通常、ソースとターゲットのサンプルを独立してペアリングして、ガウスソースをデータ分散に転送するように訓練される。 我々はソースをガウス混合に置き換え、各データポイントをエントロピー最適輸送問題を通じて混合成分に結合する。 得られたトランスポートが標準ガウス音源問題に還元され、事前学習した速度場を再利用できるガイダンスのような補正が可能となることを示す。 この補正は、適合した混合物の閉形式関数であり、小さな補正ネットワークで学習する用語である。 CIFAR-10 と CelebA-HQ のチェックポイントで本モデルを検証した。 ステップ数ごとにFIDを改善し、CelebA-HQでは、約半分のステップでベースラインの品質に達する。 クローズドフォームの用語だけで、トレーニングなしでは、この改善のほとんどをすでに実現している。

関連論文リスト

• Bridging Stochastic Flow Maps and Boltzmann Generators with Normalizing Flows [5.110553824402214]
  生成モデルを最後に修正する正規化フローマップ(NF$2$M)を導入する。 NF$2$Mは、生成が進むにつれて各デノイング遷移を反映し、最終的に破棄される軌跡上の無駄な計算を避ける。 ペプチド系におけるNF$2$Mの評価を行い, サンプリング効率と試料品質が改善された。
  論文  参考訳（メタデータ） (2026-09-25T20:31:31Z)
• One-Sided Quantile Coupling for Flow Matching [8.295726579539016]
  Flow Matching Train Continuous-time Generative Model by regressing the velocity field of a probability path between a simple source distribution and a target data distribution。 本稿では,データバッチのみをサンプリングし,各ペアソースを直接構築する軽量な一方結合であるQuantile Coupling Flow Matching (QC-FM)を提案する。 QC-FMはトレーニング予算に合わせてベースラインを改良し、FIDを最大12.9%削減し、4つのデータセットでOT-CFMを上回っている。
  論文  参考訳（メタデータ） (2026-08-02T04:03:59Z)
• Heavy-Tailed Flow Matching via Random Clocks [52.78194016835051]
  不均衡な画像データセット、財務リターン、気象極端など、まれな出来事が不均等な重要性を持つ多くの領域で重大データが発生する。 本稿では,ヘビーテールソースを時計条件のガウスソースの混合として表現するフレームワークであるランダムクロック(Random Clocks, HTFM)によるヘビープレートフローマッチングを提案する。
  論文  参考訳（メタデータ） (2026-07-15T13:48:05Z)
• QDSB: Quantized Diffusion Schrödinger Bridges [4.3331379059769395]
  本稿では,量子化拡散シュルディンガーブリッジ (QDSB) を提案する。 正規化最適結合は、アンカー近似の品質によって制御される誤差により、安定なw.r.t.アンカー量子化であることを示す。
  論文  参考訳（メタデータ） (2026-05-12T11:35:08Z)
• MixFlow: Mixed Source Distributions Improve Rectified Flows [18.451270798004344]
  拡散モデルとその変種(整流など)は、多彩で高品質な画像を生成する。 それらは、彼らが学習する高度に湾曲した生成経路によって引き起こされる、遅い反復的なサンプリングによって妨げられる。 生成経路曲率を低減し,サンプリング効率を大幅に向上させる訓練戦略であるMixFlowを提案する。
  論文  参考訳（メタデータ） (2026-04-10T10:06:15Z)
• Align Your Tangent: Training Better Consistency Models via Manifold-Aligned Tangents [55.43139356528315]
  一貫性モデル(CM)は、フロー常微分方程式の軌跡に一貫性があるように訓練される。 CMは典型的には、競争力のあるサンプルの品質を得るために、大きなバッチサイズで長期のトレーニングを必要とする。 本稿では,データ多様体に向いた多様体整列接点を提供する,MFDと呼ばれる新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2025-10-01T08:35:18Z)
• Gaussian Mixture Flow Matching Models [63.092956669059824]
  拡散モデルは正規分布をガウス平均として近似し,その平均を推定する一方,フローマッチングモデルはガウス平均をフロー速度としてパラメータ化する。 離散化誤差による数段階のサンプリングでは性能が低下し、分類器フリーガイダンス(CFG)では過飽和色が生じる傾向にある。 本稿では,CFGの過飽和問題を緩和し,画像生成品質を向上する新しい確率的ガイダンス手法を提案する。
  論文  参考訳（メタデータ） (2025-04-07T17:59:42Z)
• On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
  Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。 RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。 本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• Gaussian Mixture Convolution Networks [13.493166990188278]
  本稿では,多次元ガウス混合の解析的畳み込みに基づく新しい深層学習法を提案する。 このアーキテクチャに基づくネットワークは,MNIST と ModelNet のデータセットに適合したガウス混合の競合精度に達することを示す。
  論文  参考訳（メタデータ） (2022-02-18T12:07:52Z)

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。