論文の概要: LEAP: Accelerating ODE-based Diffusion Sampling with Optimal Linear Leaps

• arxiv url: http://arxiv.org/abs/2610.25918v1
• Date: Mon, 19 Oct 2026 07:19:32 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:20:21.451759
• Title: LEAP: Accelerating ODE-based Diffusion Sampling with Optimal Linear Leaps
• Title（参考訳）: LEAP: 最適線形プループによるODEベースの拡散サンプリングの高速化
• Abstract要約: 本研究では,サンプリング軌道幾何学の理論的および実証的な研究を基礎とした最適線形跳躍法(LEAP)を提案する。 LEAPは局所軌道部分空間内の教師付き最小二乗最適化問題を定式化し、モデル評価なしで将来の状態を正確に近似する。 LEAPは既存の解法にシームレスに統合することができ、現代の拡散モデルのためのプラグアンドプレイ拡張を提供する。
• 参考スコア（独自算出の注目度）: 10.746257216529637
• License:
• Abstract: Diffusion models primarily rely on general-purpose ODE-based numerical methods for training-free accelerated sampling, but performance degrades with coarse time discretization. In this paper, we propose optimal linear leaps (LEAP), a specialized method grounded in theoretical and empirical investigations of sampling trajectory geometry. Built upon low-dimensionality and cross-trajectory consistency, LEAP formulates a supervised least-squares optimization problem within the local trajectory subspace, achieving a precise approximation of future states without model evaluations. Extensive experiments demonstrate that LEAP outperforms previous methods across diverse modalities, including text-to-image (Stable Diffusion 3.5, FLUX.1-dev) and image-to-3D (TRELLIS.2) generation. Furthermore, LEAP can be seamlessly integrated into existing solver-based methods, offering a plug-and-play enhancement for modern diffusion models. Code is available at https://github.com/zju-pi/LEAP.
• Abstract（参考訳）: 拡散モデルは、トレーニング不要な高速化サンプリングのための汎用ODEベースの数値法に主に依存するが、粗い時間離散化によって性能が低下する。 本稿では,サンプリング軌道幾何学の理論的および実証的な研究を基礎とした,最適線形跳躍法(LEAP)を提案する。 LEAPは低次元性とクロストラジェクトリ整合性に基づいて、局所軌道部分空間内の教師付き最小二乗最適化問題を定式化し、モデル評価なしで将来の状態を正確に近似する。 大規模な実験により、LEAPはテキスト・トゥ・イメージ(Stable Diffusion 3.5, FLUX.1-dev)や画像・トゥ・D(TRELLIS.2)ジェネレーション(TRELLIS.2)など、様々なモードで過去の手法よりも優れていることが示された。 さらに、LEAPは既存の解法ベースの手法にシームレスに統合することができ、現代の拡散モデルのためのプラグアンドプレイ拡張を提供する。 コードはhttps://github.com/zju-pi/LEAP.comで入手できる。

関連論文リスト

• Linear-DPO: Linear Direct Preference Optimization for Diffusion and Flow-Matching Generative Models [5.527466367347639]
  統合逆時間SDEフレームワークによる拡散とフローマッチングの両方をカバーする汎用DPO目標を導出する。 攻撃的シグモイドベースユーティリティ関数を持続的線形ユーティリティに置き換え,EMA更新参照モデルを組み込んだLinear-DPOを提案する。
  論文  参考訳（メタデータ） (2026-05-20T12:54:51Z)
• Parallel Diffusion Solver via Residual Dirichlet Policy Optimization [88.7827307535107]
  拡散モデル(DM)は、最先端の生成性能を達成したが、シーケンシャルなデノナイジング特性のため、高いサンプリング遅延に悩まされている。 既存のソルバベースの加速度法では、低次元の予算で画像品質が著しく低下することが多い。 本研究では,各ステップに複数の勾配並列評価を組み込んだ新しいODE解法であるEnsemble Parallel Directionsolvr(EPD-EPr)を提案する。
  論文  参考訳（メタデータ） (2025-12-28T05:48:55Z)
• Divergence Minimization Preference Optimization for Diffusion Model Alignment [66.31417479052774]
  Divergence Minimization Preference Optimization (DMPO) は、逆KL分散を最小化して拡散モデルを整列する原理的手法である。 DMPOは、異なるベースモデルとテストセットで既存のテクニックを一貫して上回り、適合させることができる。
  論文  参考訳（メタデータ） (2025-07-10T07:57:30Z)
• TADA: Improved Diffusion Sampling with Training-free Augmented Dynamics [40.75121059939763]
  我々は,ImageNet512 上で比較 FID を比較対象とするアートソルバの現在の状態よりも最大 186% 以上高速な新しいサンプリング手法を提案する。 提案手法の鍵は,高次元初期雑音を用いて,より詳細なサンプルを生成することである。
  論文  参考訳（メタデータ） (2025-06-26T20:30:27Z)
• Accelerating Image Generation with Sub-path Linear Approximation Model [31.86029397069562]
  拡散モデルは、画像、オーディオ、ビデオ生成タスクにおける技術の現状を進歩させた。 高品質な画像生成を維持しながら拡散モデルを高速化するサブパス線形近似モデル(SLAM)を提案する。
  論文  参考訳（メタデータ） (2024-04-22T06:25:17Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)

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。