論文の概要: CorrFlow: Self-Correcting Flow Matching

• arxiv url: http://arxiv.org/abs/2610.24750v1
• Date: Sat, 17 Oct 2026 15:35:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 16:32:38.20724
• Title: CorrFlow: Self-Correcting Flow Matching
• Title（参考訳）: CorrFlow: 自己修正フローマッチング
• Abstract要約: CorrFlowは、軽量な精錬機を通じて情報を再利用する自己修正フローマッチングフレームワークである。 精製機は、ベースモデルのクリーンな予測、条件付け、ノイズレベル、隠蔽状態から残差補正を予測することを学習する。 クラス条件の画像生成、テキスト・ツー・ビデオ生成、画像・ビデオ生成の実験は、一貫した改善を示す。
• 参考スコア（独自算出の注目度）: 18.62772663737073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow-matching models generate samples through iterative velocity predictions, but typically do not revisit these predictions using the intermediate representations that produced them. We introduce CorrFlow, a self-correcting flow-matching framework that reuses this information through a lightweight refiner. Under rectified-flow interpolation, the error of the one-step clean prediction equals the realized velocity residual scaled by the noise level. Motivated by this identity, the refiner learns to predict residual corrections from the base model's clean prediction, conditioning, noise level and hidden states from the same forward pass. The correction is added to the base velocity before each sampling update, so subsequent predictions are made from the corrected state. This requires no additional base-model evaluations and only one lightweight refiner evaluation per step. Our theoretical analyses establish conditions under which feature reuse outperforms raw-input affine predictors and refiner training achieves greater residual-risk reduction than continued base-model training under a matched training compute budget. Experiments on class-conditional image generation, text-to-video generation and image-to-video generation show consistent improvements over the corresponding base models, including gains in visual quality and physical consistency. Project Page: https://fogradio.github.io/corrflow-project
• Abstract（参考訳）: フローマッチングモデルは反復速度予測を通じてサンプルを生成するが、典型的にはそれらを生成する中間表現を用いてこれらの予測を再検討しない。 我々はCorrFlowを紹介した。CorrFlowは自己修正フローマッチングフレームワークで、軽量な精錬機を通してこの情報を再利用する。 整流流補間では、1ステップクリーン予測の誤差はノイズレベルによってスケールされた実効速度残差と等しい。 このアイデンティティによって動機づけられた精製機は、ベースモデルのクリーンな予測、条件付け、ノイズレベル、隠された状態を同じ前方パスから予測することを学ぶ。 サンプリング更新毎にベース速度に補正を加え、修正された状態からその後の予測を行う。 これは追加のベースモデル評価を必要とせず、ステップごとに1つの軽量リファインダー評価しか必要としない。 提案手法は, 機能再利用が原入力アフィン予測器より優れ, 補修訓練が, 一致したトレーニング計算予算の下で継続するベースモデルトレーニングよりも大きな残留リスク低減を実現する条件を確立するものである。 クラス条件画像生成、テキスト・ツー・ビデオ生成、画像・ビデオ生成の実験は、視覚的品質や身体的整合性の向上を含む、対応するベースモデルに対して一貫した改善を示す。 プロジェクトページ: https://fogradio.github.io/corrflow-project

関連論文リスト

• Correction Training for Diffusion Models [38.67214934380264]
  このトレーニングと推論のギャップを減らそうとする拡散モデルの補正ステップを導入する。 補正者は、ベースモデルの予測を入力として、同じ接地目標に対してトレーニングする。 サンプリング中、各デノイングステップにおいて、デノワザーのクリーンサンプル予測を反復的に洗練する。 補正器は、ベースデノイザからの予測のみに基づいて訓練されるが、推論時に自分自身の出力に繰り返し適用することで、より良い結果が得られる。
  論文  参考訳（メタデータ） (2026-10-09T13:31:52Z)
• Posterior Flow Matching [66.30954200728964]
  後流マッチングは、ノイズをデータに転送する方法を学ぶ。 同じモデル評価は、トランスポート予測とエンドポイントの不確実性の両方を提供する。 これらの学習モーメントは平均駆動常微分方程式(ODE)と後駆動常微分方程式(SDE)をサポートする。
  論文  参考訳（メタデータ） (2026-09-26T20:44:52Z)
• Perceptual Flow Matching for Few-Step Generative Modeling [64.26537634881244]
  知覚フローマッチング(Perceptual Flow Matching)は、フローマッチングモデルにおいて、数ステップ生成のためのフレームワークである。 PFMは、適切な表現空間で教師される際に、高品質な数ステップジェネレータを生成する。
  論文  参考訳（メタデータ） (2026-07-03T17:55:01Z)
• FlowBender: Feedback-Aware Training for Self-Correcting Conditional Flows [18.746098727212544]
  FlowBenderは3D再構成のための新しい拡散流モデルである。 FlowBenderは、標準的な教師付きアライメントトレーニングよりも一貫して優れています。 微分可能な演算子に対して、FlowBenderのいくつかの変種を提案する。
  論文  参考訳（メタデータ） (2026-06-18T15:56:07Z)
• Gradient-Flow Optimization as Dynamic Random-Effects Inference: Testing and Early Stopping with Applications to Deep Learning [16.158545640309438]
  我々は勾配流学習のための統計的推論フレームワークを開発した。 トレーニング時間は、分散が再配置される方法を決定する分散成分パラメータになる。 固定勾配系における深層学習モデルは、理論の現代AIインスタンス化を提供する。
  論文  参考訳（メタデータ） (2026-05-27T05:32:24Z)
• 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)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• DeFlow: Learning Complex Image Degradations from Unpaired Data with Conditional Flows [145.83812019515818]
  本論文では,不対データから画像劣化を学習するDeFlowを提案する。 共有フローデコーダネットワークの潜在空間における劣化過程をモデル化する。 共同画像復元と超解像におけるDeFlowの定式化を検証した。
  論文  参考訳（メタデータ） (2021-01-14T18:58:01Z)
• Consistency Guided Scene Flow Estimation [159.24395181068218]
  CGSFは立体映像からの3次元シーン構造と動きの同時再構成のための自己教師型フレームワークである。 提案モデルでは,課題の画像の相違やシーンフローを確実に予測できることを示す。 最先端技術よりも優れた一般化を実現し、目に見えない領域に迅速かつ堅牢に適応する。
  論文  参考訳（メタデータ） (2020-06-19T17:28:07Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。