論文の概要: ManiFusion: Unlocking the High-Throughput Generation via Superposition in Manifold Space

• arxiv url: http://arxiv.org/abs/2610.21433v1
• Date: Thu, 15 Oct 2026 07:44:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.256302
• Title: ManiFusion: Unlocking the High-Throughput Generation via Superposition in Manifold Space
• Title（参考訳）: マニフュージョン:マニフォールド空間における重ね合わせによる高出力発生のロック解除
• Abstract要約: 融合空間によるマルチサンプル生成のためのバックボーンに依存しないフレームワークを提案する。 ManiFusionは複数のサンプルをデノイングバックボーンの前に融合して処理し、その後、アンフュージョンを通じて分離する。 ManiFusionは既存のアクセラレーション手法で構成され、最小品質の劣化を伴う従来の手法では達成不可能なスループットを実現する。
• 参考スコア（独自算出の注目度）: 34.5400377540415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models achieve high-quality image generation but remain computationally expensive due to iterative denoising across many timesteps. Existing acceleration methods mainly reduce per-sample latency, but gains along this axis are becoming saturated. We instead explore an orthogonal throughput-oriented direction by processing multiple samples within a single denoising evaluation. To this end, we propose ManiFusion, a backbone-agnostic framework for multi-sample generation through fused-space computation. ManiFusion jointly processes multiple samples by fusing them before the denoising backbone and separating them afterward through unfusion. We provide a geometric perspective on how multiple samples can share a fused representation while retaining the information needed to guide their individual generation trajectories. To better align fusion allocation with denoising stages, ManiFusion uses Trajectory-Fusion Scheduling (TFS), which dynamically adjusts fusion factors throughout sampling. ManiFusion generalizes across diffusion families, including both U-Net and transformer backbones in pixel and latent spaces. We further show that ManiFusion composes with existing acceleration methods and reaches throughput regimes unattainable by prior approaches with minimal quality degradation.
• Abstract（参考訳）: 拡散モデルは高品質な画像生成を実現するが、多くの時間ステップにわたる反復的なデノイングのために計算コストは高い。 既存の加速法は主にサンプルごとの遅延を減少させるが、この軸に沿った利得は飽和している。 代わりに、複数のサンプルを1つの聴覚評価で処理することで、直交スループット指向の方向を探索する。 そこで本稿では,マルチサンプル生成のためのバックボーン非依存フレームワークであるManiFusionを提案する。 ManiFusionは複数のサンプルを共同で処理する。 複数のサンプルが融合表現を共有できるかを幾何学的視点で把握し、個々の世代軌道を案内するために必要な情報を保持する。 ManiFusionでは、フュージョン割り当てとデノナイジングステージの整合性を改善するために、 Trajectory-Fusion Scheduling (TFS)を使用して、サンプリング全体を通じて、フュージョンファクタを動的に調整する。 ManiFusion は、U-Net と Transformer の両方のバックボーンを含む拡散族をピクセル空間と潜在空間で一般化する。 さらに,ManiFusionは既存の加速度法で構成され,従来の手法では実現不可能なスループットに到達し,品質劣化を最小限に抑えることができることを示す。

関連論文リスト

• Fast Samplers for Inverse Problems in Iterative Refinement Models [19.099632445326826]
  逆問題に対する効率的なサンプル作成のためのプラグイン・アンド・プレイフレームワークを提案する。 提案手法は,5段階の条件付きサンプリングステップで高品質なサンプルを生成でき,20～1000段の基準ラインよりも優れる。
  論文  参考訳（メタデータ） (2024-05-27T21:50:16Z)
• VideoFusion: Decomposed Diffusion Models for High-Quality Video Generation [88.49030739715701]
  本研究は, フレームごとのノイズを, 全フレーム間で共有されるベースノイズ, 時間軸に沿って変化する残雑音に分解することで, 拡散過程を分解する。 様々なデータセットの実験により,ビデオフュージョンと呼ばれる我々の手法が,高品質なビデオ生成において,GANベースと拡散ベースの両方の選択肢を上回ることが確認された。
  論文  参考訳（メタデータ） (2023-03-15T02:16:39Z)
• DDFM: Denoising Diffusion Model for Multi-Modality Image Fusion [144.9653045465908]
  拡散確率モデル(DDPM)に基づく新しい融合アルゴリズムを提案する。 近赤外可視画像融合と医用画像融合で有望な融合が得られた。
  論文  参考訳（メタデータ） (2023-03-13T04:06:42Z)
• Diffusion Posterior Sampling for General Noisy Inverse Problems [50.873313752797124]
  我々は、後方サンプリングの近似により、雑音(非線形)逆問題に対処するために拡散解法を拡張した。 本手法は,拡散モデルが様々な計測ノイズ統計を組み込むことができることを示す。
  論文  参考訳（メタデータ） (2022-09-29T11:12:27Z)
• Progressive Fusion for Multimodal Integration [12.94175198001421]
  本稿では,後期融合表現の問題を緩和する,プログレッシブ・フュージョン(Progressive Fusion)と呼ばれる反復的表現洗練手法を提案する。 提案手法は,MSEの5%削減,マルチモーダル時系列予測におけるロバストネスの40%向上など,一貫した性能向上を図っている。
  論文  参考訳（メタデータ） (2022-09-01T09:08:33Z)
• Improving Diffusion Models for Inverse Problems using Manifold Constraints [55.91148172752894]
  我々は,現在の解法がデータ多様体からサンプルパスを逸脱し,エラーが蓄積することを示す。 この問題に対処するため、多様体の制約に着想を得た追加の補正項を提案する。 本手法は理論上も経験上も従来の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-02T09:06:10Z)

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。