論文の概要: Annealed Lévy Diffusion via Gaussian Surrogate Reverse Dynamics

• arxiv url: http://arxiv.org/abs/2610.19692v1
• Date: Wed, 14 Oct 2026 07:13:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.999436
• Title: Annealed Lévy Diffusion via Gaussian Surrogate Reverse Dynamics
• Title（参考訳）: ガウスサロゲート逆ダイナミクスによる焼鈍レヴィ拡散
• Abstract要約: Annealed Lévy Diffusion (ALD)について紹介する。 ALDは安定性指数$(t)$を変えて、重い尾の探索とガウスの精錬を組み合わせる。 ALDを4つの2次元ベンチマークと不均衡な9モード混合体で評価した。
• 参考スコア（独自算出の注目度）: 18.38261317527213
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gaussian diffusion models offer a practical framework for generative modeling. Denoising Lévy Probabilistic Models (DLPM) introduce heavy-tailed perturbations with a fixed tail index throughout denoising. We introduce Annealed Lévy Diffusion (ALD). ALD varies the stability index $α(t)$ to combine heavy-tailed exploration with Gaussian refinement. Our marginal-first formulation represents stable noise as a scalar Gaussian scale mixture. This formulation enables standard Gaussian noise-prediction training with one additional scale input. We study two sampling processes. ALD-renoise estimates the clean sample and injects fresh marginal noise. ALD-posterior preserves dependence between successive states through an accumulated conditional variance and a Gaussian bridge update. Both samplers reuse the same trained predictor with different scalar inputs. We evaluate ALD on four 2D benchmarks and an imbalanced nine-mode mixture. We also examine training efficiency and the effects of prediction perturbations on clipped Holtsmark data. Additional experiments evaluate MNIST and CelebA64 generation and CIFAR-10LT augmentation. ALD preserves local geometry on the evaluated light-tailed and manifold-structured targets.
• Abstract（参考訳）: ガウス拡散モデルは生成的モデリングの実践的な枠組みを提供する。 Denoising Lévy Probabilistic Models (DLPM)は、denoising全体を通して固定された尾のインデックスを持つ重い尾の摂動を導入する。 我々はAnnealed Lévy Diffusion (ALD)を紹介する。 ALDは安定性指数$α(t)$を変えて、重い尾の探索とガウスの精錬を組み合わせた。 我々の境界第一の定式化は、スカラーガウススケールの混合として安定な雑音を表す。 この定式化により、1つの追加のスケール入力を持つ標準ガウス雑音予測訓練が可能となる。 2つのサンプリングプロセスについて研究する。 ALD-renoiseはクリーンサンプルを推定し、新鮮な限界ノイズを注入する。 ALD-posteriorは、蓄積された条件分散とガウス橋更新を通じて、連続状態間の依存を保存する。 両方のサンプルは、異なるスカラー入力を持つ同じ訓練された予測器を再利用する。 ALDを4つの2次元ベンチマークと不均衡な9モード混合体で評価した。 また,クリッピングHoltsmarkデータに対するトレーニング効率と予測摂動の影響についても検討した。 追加実験では、MNISTとCelebA64の生成とCIFAR-10LTの増強が評価された。 ALDは、評価された光尾および多様体構造ターゲット上の局所的幾何学を保存する。

関連論文リスト

• Nonparametric Deconvolution and Denoising using Simulation Based Inference [3.6640504352010885]
  我々は,観測されたデータ分布と雑音を伴うモデル分布とをマッチングすることにより,潜在生成モデルを学習する。 本手法は, 生成潜在分布モデルの下でのデコンボリューションに対する実用的, 理論的に基礎的なアプローチを提供する。
  論文  参考訳（メタデータ） (2026-06-20T07:03:37Z)
• Precise: SDE-Consistent Stochastic Sampling for RL Post-Training of Flow-Matching Models [56.67321805551389]
  Reinforcement Learning (RL) は, 拡散・流れマッチングジェネレータにおいて, 迅速なアライメントと知覚品質の向上に有効な方法となっている。 探索行動の制御と力学のデノベーションを行うサンプルは、この方針の一部である。 有効探査と安定性のバランスをとる新しいサンプリング器を提案する。
  論文  参考訳（メタデータ） (2026-05-22T11:37:22Z)
• NoiseRater: Meta-Learned Noise Valuation for Diffusion Model Training [81.58321000203712]
  NoiseRaterは、拡散モデルトレーニングにおけるインスタンスレベルのノイズ評価のためのメタラーニングフレームワークである。 NoiseRaterは、重要度スコアをデータとタイムステップで条件付けられた個々のノイズ実現に割り当てる。 FFHQとImageNetの実験では、すべてのノイズサンプルが等しく寄与するわけではない。
  論文  参考訳（メタデータ） (2026-05-02T19:43:16Z)
• Noise Conditional Variational Score Distillation [60.38982038894823]
  騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。 この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
  論文  参考訳（メタデータ） (2025-06-11T06:01:39Z)
• Optimizing Noise Schedules of Generative Models in High Dimensionss [18.19470017419402]
  分散(VP)と分散爆発(VE)の保存に特有なノイズスケジュールは,高次特徴と低次特徴の両方の回復を可能にすることを示す。 また、これらのスケジュールは、確率フローODEを識別可能なGMとCurie-Weiss(CW)モデルの生成モデルが得られることを示す。
  論文  参考訳（メタデータ） (2025-01-02T00:39:00Z)
• Diffusion Gaussian Mixture Audio Denoise [23.760755498636943]
  本稿では拡散モデルとガウス混合モデルに基づくデノナイズモデルであるDiffGMMモデルを提案する。 まず1D-U-Netを用いて特徴を抽出し,ガウス混合モデルのパラメータを推定する線形層を訓練する。 推定ノイズからノイズ信号を連続的に減算してクリーンオーディオ信号を出力する。
  論文  参考訳（メタデータ） (2024-06-13T14:18:10Z)
• Interpreting and Improving Diffusion Models from an Optimization Perspective [4.5993996573872185]
  我々はこの観測を用いて、ユークリッド距離関数に適用された近似勾配勾配勾配として拡散モデルを解釈する。 本稿では,理論結果からの洞察を用いてDDIMを一般化した新しい勾配推定サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2023-06-08T00:56:33Z)
• Doubly Stochastic Models: Learning with Unbiased Label Noises and Inference Stability [85.1044381834036]
  勾配降下のミニバッチサンプリング設定におけるラベル雑音の暗黙的正則化効果について検討した。 そのような暗黙的正則化器は、パラメータの摂動に対してモデル出力を安定化できる収束点を好んでいる。 我々の研究は、SGDをオルンシュタイン-ウレンベック類似の過程とはみなせず、近似の収束によってより一般的な結果を得る。
  論文  参考訳（メタデータ） (2023-04-01T14:09:07Z)
• Diffusion-GAN: Training GANs with Diffusion [135.24433011977874]
  GAN(Generative Adversarial Network)は、安定してトレーニングすることが難しい。 フォワード拡散チェーンを利用してインスタンスノイズを生成する新しいGANフレームワークであるDiffusion-GANを提案する。 我々は,Diffusion-GANにより,最先端のGANよりも高い安定性とデータ効率で,よりリアルな画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2022-06-05T20:45:01Z)
• Asymmetric Heavy Tails and Implicit Bias in Gaussian Noise Injections [73.95786440318369]
  我々は、勾配降下(SGD)のダイナミクスに対する注射ノイズの影響であるGNIsのいわゆる暗黙効果に焦点を当てています。 この効果は勾配更新に非対称な重尾ノイズを誘発することを示す。 そして、GNIが暗黙のバイアスを引き起こすことを正式に証明し、これは尾の重みと非対称性のレベルによって異なる。
  論文  参考訳（メタデータ） (2021-02-13T21:28:09Z)

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。