論文の概要: FlowBudget: Training-Free Sampling-Budget Estimation for Flow Matching Models
- arxiv url: http://arxiv.org/abs/2610.20636v1
- Date: Thu, 01 Oct 2026 21:43:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-18 21:02:54.549034
- Title: FlowBudget: Training-Free Sampling-Budget Estimation for Flow Matching Models
- Title（参考訳）: FlowBudget: フローマッチングモデルのためのトレーニング不要サンプリング-予算推定
- Abstract要約: FLOWBUDGETはサンプリング複雑性の解法を含まない推定器である。
動きによって先行する1ステップの離散化誤差を正規化し、その係数をプローブから推定し、数値耐性をステップ予算にマッピングする。
本研究では, フローマッチングサンプリングにおける数値解法, ODEサンプリングにおけるEulerとHun, SDEサンプリングにおける加法雑音関係のEuler-Maruyamaを導出する。
- 参考スコア（独自算出の注目度）: 22.455121713091245
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sampling from continuous flow-based generators such as flow matching models requires numerical ODE or SDE integration, making inference cost depend on the number of function evaluations (NFEs). In practice, the sampling budget is inherited from prior work or selected through expensive FID-versus-NFE sweeps, using FID to assess image-generation quality, requiring sample generation and evaluation at multiple budgets. This makes sampling-budget selection dependent on repeated empirical evaluation. We therefore ask a complementary question to solver design and timestep allocation: for a fixed pretrained model and solver, what numerical resolution is sufficient? We introduce FLOWBUDGET, a training-free estimator of solver-relative sampling complexity. Using simulation-free interpolation probes of the learned dynamics, FLOWBUDGET normalizes the leading one-step discretization error by the motion, estimates its coefficient from interpolation probes, and maps a numerical tolerance to a step budget using the solver order. We derive estimators for numerical solvers in flow~matching sampling, namely Euler and Heun for ODE sampling and additive-noise Euler--Maruyama for SDE sampling, and connect the ODE coefficients to terminal integration error. Experiments on SiT, FlowDCN and Rectified Flow models, spanning flow-model architectures and formulations, test whether FLOWBUDGET can estimate the NFE budget without generating samples at multiple budgets or performing an FID-versus-NFE sweep. The code is available at https://github.com/Yasaman-dt/FlowBudget
- Abstract（参考訳）: フローマッチングモデルのような連続的なフローベースジェネレータからのサンプリングには数値ODEやSDEの統合が必要であるため、推論コストは関数評価(NFE)の数に依存する。
実際に、サンプリング予算は以前の作業から継承されるか、高価なFID-versus-NFEスイープによって選択され、画像生成品質の評価にFIDを使用し、複数の予算でサンプル生成と評価を必要とする。
これにより、サンプリング・予算選択は反復的な経験的評価に依存する。
固定事前学習モデルと解法の場合、何の数値解法が十分か?
FLOWBUDGETは,ソルバ相対サンプリング複雑性のトレーニング不要な推定器である。
FLOWBUDGETは、学習力学のシミュレーションのない補間プローブを用いて、先頭の1ステップの離散化誤差を運動によって正規化し、補間プローブから係数を推定し、解法順序を用いて数値耐性をステップ予算にマッピングする。
本研究では,SDEサンプリングにおいて,Euler と Heun が ODE サンプリングに用いて,Euler-Maruyama が ODE 係数を終端積分誤差に接続する。
SiT、FlowDCN、Rectified Flowモデルの実験、フローモデルアーキテクチャと定式化、FLOWBUDGETが複数の予算でサンプルを生成したり、FID-versus-NFEスイープを実行せずにNFE予算を見積もることができるかどうかをテストする。
コードはhttps://github.com/Yasaman-dt/FlowBudgetで入手できる。
関連論文リスト
- Flowing with Confidence [23.40211147034427]
生成モデルは、非意味なテキスト、非現実的な画像、不安定な物質をシミュレーションや人間のレビューよりも早く吸収することができる。
モデル信頼度ではなくモデル間の変動度を測定するために,信頼性を伴うフローマッチング(FMwC)を提案する。
FMwCは、選択された層で入力依存乗法ノイズを注入し、その分散をクローズドな形でネットワークを通して伝播し、ODE軌道に沿って改善し、標準サンプリングコストでサンプル当たりの信頼スコアを得る。
論文 参考訳（メタデータ） (2026-05-18T14:28:17Z) - Sharpen Your Flow: Sharpness-Aware Sampling for Flow Matching [14.19197444541245]
フローマッチングモデルは、学習速度場を数値的に統合してサンプルを生成する。
主な問題は、フローをどのように統合するかだけでなく、サンプルラーはそのステップをどこで使うべきかである。
我々は、事前訓練されたモデルをオフラインでプロファイルする、トレーニング不要のサンプルラであるSharpEulerを提案する。
論文 参考訳（メタデータ） (2026-05-12T05:22:54Z) - ODE-free Neural Flow Matching for One-Step Generative Modeling [4.319549155064877]
拡散およびフローマッチングモデルは、データにノイズを伝達する時間依存ベクトル場を学習することでサンプルを生成する。
本稿では,フローマップとニューラルフローをパラメータ化するODEフリーな生成フレームワークOT-NFMを提案する。
本研究では,不整合なノイズデータペアリングがすべての出力をデータ平均に向かって駆動する場合,フローマップ学習が平均崩壊に苦しむことを示す。
論文 参考訳（メタデータ） (2026-04-07T19:49:57Z) - Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。
平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。
球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
論文 参考訳（メタデータ） (2026-03-11T12:41:46Z) - Joint Distillation for Fast Likelihood Evaluation and Sampling in Flow-based Models [100.28111930893188]
今日の最高の生成モデルの中には、単一の可能性を計算するために、数百から数千の神経機能評価を必要とするものもあります。
本研究では, 高速流動継手蒸留法 (F2D2) を提案し, サンプリングに必要なNFEの数を2桁に減らした。
F2D2はモジュール構造であり、既存のフローベースの数ステップサンプリングモデルと互換性がある。
論文 参考訳（メタデータ） (2025-12-02T10:48:20Z) - Neural Stochastic Flows: Solver-Free Modelling and Inference for SDE Solutions [23.147474211347856]
我々はニューラルフロー(NSF)とその潜伏変種を導入し、SDE遷移則を直接学習する(最近)。
合成SDEシミュレーションと実世界の追跡とビデオデータを用いた実験により,NSFは数値的アプローチに匹敵する分布精度を維持していることが示された。
論文 参考訳（メタデータ） (2025-10-29T17:59:06Z) - ODE$_t$(ODE$_l$): Shortcutting the Time and Length in Diffusion and Flow Models for Faster Sampling [33.87434194582367]
本研究では,品質・複雑さのトレードオフを動的に制御できる相補的な方向について検討する。
我々は,フローマッチングトレーニング中に時間と長さの整合性項を用い,任意の時間ステップでサンプリングを行うことができる。
従来の技術と比較すると、CelebA-HQとImageNetのイメージ生成実験は、最も効率的なサンプリングモードで最大3$times$のレイテンシの低下を示している。
論文 参考訳（メタデータ） (2025-06-26T18:59:59Z) - Feynman-Kac Correctors in Diffusion: Annealing, Guidance, and Product of Experts [64.34482582690927]
事前学習したスコアベースモデルから得られた熱処理, 幾何平均, 製品分布の配列から, 効率的かつ原理的に抽出する方法を提供する。
本稿では,サンプリング品質を向上させるために,推論時間スケーリングを利用する逐次モンテカルロ(SMC)再サンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-03-04T17:46:51Z) - Score-based Diffusion Models in Function Space [137.70916238028306]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳（メタデータ） (2023-02-14T23:50:53Z) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳（メタデータ） (2022-12-12T15:06:32Z)
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。