論文の概要: Test-Time Scaling of Text-to-Image Flow Matching Models with Noise-Rejuvenated Sequential Monte Carlo

• arxiv url: http://arxiv.org/abs/2610.25479v1
• Date: Sun, 18 Oct 2026 19:05:14 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:28:51.674381
• Title: Test-Time Scaling of Text-to-Image Flow Matching Models with Noise-Rejuvenated Sequential Monte Carlo
• Title（参考訳）: ノイズ補償モンテカルロを用いたテキスト-画像間フローマッチングモデルの試験時間スケーリング
• Abstract要約: ノイズ補正SMCは,テキストと画像のフローマッチングモデルに適した推定時間スケーリング手法である。 我々のキーとなるアイデアは、各再サンプリングされた粒子の音源ノイズを変更して新しい中間状態を構築することである。
• 参考スコア（独自算出の注目度）: 15.676296640333947
• License:
• Abstract: Test-time scaling of diffusion models with sequential Monte Carlo (SMC) has become a promising strategy for sampling under user-specified rewards, such as human preference scores. However, the standard SMC framework typically relies on stochastic proposals and therefore does not directly transfer to flow matching models, in which inference is governed by deterministic ODEs. In this work, we introduce noise-rejuvenated SMC, an inference-time scaling method tailored for text-to-image flow matching models. Our key idea is to perturb each resampled particle by changing its source noise and constructing a new intermediate state using its current endpoint estimate. This moves the particle to another state that remains representable under the flow-matching interpolation form, enabling particle exploration without converting the sampler to an SDE. We further introduce a look-ahead mechanism to refine resampled particles before weighting. Experiments on Stable Diffusion 3, FLUX.1-dev, and Z-Image demonstrate consistent improvements in reward-guided generation, while ablation studies validate the contributions of noise rejuvenation and look-ahead refinement. Code is available at https://github.com/shermanlian/NR-SMC.
• Abstract（参考訳）: 連続モンテカルロ(SMC)を用いた拡散モデルの試験時間スケーリングは,ヒトの嗜好スコアなど,ユーザが指定した報酬をサンプリングする上で有望な戦略となっている。 しかし、標準SMCフレームワークは一般に確率的提案に依存しているので、推論が決定論的ODEによって制御されるフローマッチングモデルに直接転送することはない。 本研究では,テキストと画像のフローマッチングモデルに適した推測時間スケーリング手法であるノイズ補正SMCを提案する。 我々のキーとなるアイデアは、各再サンプリング粒子の音源ノイズを変化させ、現在の終端推定を用いて新しい中間状態を構築することで、各粒子を摂動させることである。 これにより、粒子はフローマッチング補間形式の下で表現可能な別の状態に移動し、サンプルをSDEに変換することなく粒子の探索を可能にする。 さらに, 加重前に再試料粒子を精製するルックアヘッド機構を導入する。 安定拡散3, FLUX.1-dev, およびZ-Imageによる実験では, 報酬誘導世代が一貫した改善を示した。 コードはhttps://github.com/shermanlian/NR-SMCで入手できる。

関連論文リスト

• Self-Rewarding Sequential Monte Carlo for Masked Diffusion Language Models [58.946955321428845]
  本研究は自己回帰型モンテカルロ(SMC)を提示する。 提案アルゴリズムは,既存のMDLMのほとんどが信頼性に基づくサンプリング戦略に依存している点に起因している。 粒子重み付けのための自己回帰信号として軌道レベルの信頼性を導入する。
  論文  参考訳（メタデータ） (2026-02-02T09:21:45Z)
• CREPE: Controlling Diffusion with Replica Exchange [32.38925001748167]
  拡散モデルの推論時間制御は、モデル出力を操り、再学習せずに新しい制約を満たすことを目的としている。 レプリカ交換に基づくフレキシブルな代替案を提案する。 CREPE:(1) 粒子を逐次生成し,(2) 燃焼後の試料の多様性を高く維持し,(3) オンライン精製や早期終了を可能にする。
  論文  参考訳（メタデータ） (2025-09-27T11:45:37Z)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• Psi-Sampler: Initial Particle Sampling for SMC-Based Inference-Time Reward Alignment in Score Models [26.211711150915203]
  $Psi$-Samplerは、pCNLベースの初期粒子サンプリングを組み込んだSMCベースのフレームワークである。 スコアベース生成モデルとの推論時間報酬アライメントは、大きな注目を集めている。
  論文  参考訳（メタデータ） (2025-06-02T05:02:33Z)
• Test-Time Scaling of Diffusion Models via Noise Trajectory Search [10.8507840358202]
  我々は,デミキシングの中間段階において,極端時間と局所的なエクスプロイトをグローバルに探索する$epsilon$-greedy検索アルゴリズムを導入する。 EDMと安定拡散の実験は、クラス条件/テキスト-画像生成のための最先端スコアを明らかにする。
  論文  参考訳（メタデータ） (2025-05-24T19:13:29Z)
• 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)
• ShiftDDPMs: Exploring Conditional Diffusion Models by Shifting Diffusion Trajectories [144.03939123870416]
  本稿では,前処理に条件を導入することで,新しい条件拡散モデルを提案する。 いくつかのシフト規則に基づいて各条件に対して排他的拡散軌跡を割り当てるために、余剰潜在空間を用いる。 我々は textbfShiftDDPMs と呼ぶメソッドを定式化し、既存のメソッドの統一的な視点を提供する。
  論文  参考訳（メタデータ） (2023-02-05T12:48:21Z)

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。