論文の概要: PRIMFLOW: Learning Trajectory Primitives for Few-Step Distillation
- arxiv url: http://arxiv.org/abs/2610.27146v1
- Date: Mon, 19 Oct 2026 18:40:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.458539
- Title: PRIMFLOW: Learning Trajectory Primitives for Few-Step Distillation
- Title（参考訳）: PRIMFLOW: 微量蒸留のための軌道プリミティブの学習
- Abstract要約: 少ない段階のトラジェクトリ蒸留は,教師のサンプリング軌跡に沿って密集した局所的な監督から,正確なグローバルな更新を学習することを目的としている。
本稿では,教師の軌道に沿った累積変位を表す連続的軌跡プリミティブを直接学習する手法を提案する。
- 参考スコア（独自算出の注目度）: 3.1751441490788146
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Few-step trajectory distillation aims to learn accurate global updates from dense local supervision along a teacher's sampling trajectory. Existing approaches construct within-step dynamics using specific trajectory parameterizations or discrete interval predictions, tying the learned update to a prescribed temporal structure. We propose \method, which directly learns a continuous trajectory primitive representing cumulative displacement along the teacher trajectory. By supervising finite differences of the primitive with local teacher velocities, \method learns the accumulated motion directly, while obtaining global updates through endpoint differences. This formulation avoids prescribing a temporal basis or fixed query grid and instead learns the temporal evolution of cumulative displacement from local supervision. We further establish a local-to-global error bound to characterize how local regression errors affect full-interval displacement accuracy, and introduce endpoint absorption to eliminate the auxiliary primitive branch while preserving one-network-evaluation inference. Experiments on large-scale text-to-image generation show that \method achieves a T-FID of 20.92 and an HPSv2 score of 28.35 at one NFE, improving both metrics over a trajectory-distillation baseline. After endpoint absorption, it retains comparable performance, achieving a T-FID of 20.86 and an HPSv2 score of 28.33.
- Abstract（参考訳）: 少ない段階のトラジェクトリ蒸留は,教師のサンプリング軌跡に沿って密集した局所的な監督から,正確なグローバルな更新を学習することを目的としている。
既存のアプローチでは、特定の軌跡パラメータ化や離散間隔予測を用いてステップ内ダイナミクスを構築し、学習した更新を所定の時間構造に結びつける。
本稿では,教師の軌跡に沿った累積変位を表す連続的軌跡プリミティブを直接学習する‘method’を提案する。
プリミティブと局所教師速度との有限差を監督することにより、Shamethodは、エンドポイントの違いを通じてグローバルな更新を取得しながら、蓄積された動きを直接学習する。
この定式化は時間的ベースや定型クエリグリッドの定式化を回避し、代わりに局所的な監督から累積変位の時間的進化を学習する。
さらに,局所回帰誤差が全区間変位精度にどのように影響するかを特徴付けるための局所-グローバル誤差を確立し,一方のネットワーク評価を保ちながら補助的なプリミティブ分岐を除去するために終端吸収を導入する。
大規模なテキスト・画像生成実験により、dmethodは20.92のT-FID、HPSv2スコアは28.35のNFEを達成し、両方の測定基準を軌跡蒸留ベースラインで改善した。
エンドポイントの吸収後、T-FIDは20.86で、HPSv2スコアは28.33である。
関連論文リスト
- TGuide: Faster Autoregressive Video Diffusion via Historical Trajectory Guidance [69.22347589094333]
本稿では,Anchor-Transport-Correct(ATC)予測器を通じて自動回帰ビデオ拡散を高速化するフレームワークであるTGuideを紹介する。
現在のチャンクの前段特徴は空間構造を保ち、前のチャンクの同段特徴は目標認知段階の情報を提供する。
Self Forcing、Causal Forcing、HY-WorldPlayの実験では、TGuideは生成品質を保ちながら、オリジナルの4ステップジェネレータよりも最大1.89タイムの速度アップを実現している。
論文 参考訳（メタデータ） (2026-10-10T07:16:40Z) - Rethinking Pixel Mean Flows via Interval Denoiser [95.11499828543344]
潜在自由生成のためのフレームワークであるInterval Denoiserを提案する。
その結果,FIDは1ステップ (1-NFE) で4.55, 2ステップ (2-NFE) で3.98であった。
論文 参考訳（メタデータ） (2026-08-05T13:22:43Z) - Referring-Aware Visuomotor Policy Learning for Closed-Loop Manipulation [91.20850436220267]
Referring-Aware Visuomotor Policy(ReV)について紹介する。
ReVは、人間または高レベルの推論プランナーによって提供されるスパース参照ポイントを組み込む。
これは、専門家のデモンストレーションにターゲットの摂動を適用することでのみ訓練される。
論文 参考訳（メタデータ） (2026-04-07T07:41:11Z) - Trust Region Continual Learning as an Implicit Meta-Learner [3.705371747297478]
我々は,生産的リプレイとフィッシャー計量信頼領域制約を併用した,エフェトラスト領域連続学習のハイブリッド視点について検討する。
局所近似では,MAMLスタイルの解釈を単一の暗黙的な内部ステップで行うことができた。
これにより、連続学習における創発的なメタラーニング特性が得られる。
論文 参考訳（メタデータ） (2026-02-02T18:19:16Z) - Mitigating Error Accumulation in Continuous Navigation via Memory-Augmented Kalman Filtering [20.380488628232186]
無人航空機(UAV)にとって連続航法は重要である
既存のVision-Language Navigation (VLN) モデルはデッドレコンディングに従っており、次のウェイポイント予測のためにその位置を反復的に更新し、その後に完全な軌道を構築する。
本研究では,ナビゲーションを2つの補完的なプロセスに分解する新しい枠組みを提案する。
論文 参考訳（メタデータ） (2026-01-30T05:03:08Z) - Adaptive Estimation and Learning under Temporal Distribution Shift [17.82448143883071]
本研究では,時間分布シフトによる推定と学習の問題について検討する。
長さ$n$の観測シーケンスを考えてみましょう。
本研究では,ウェーブレットのソフトスレッディング推定器が基底に対して最適推定誤差を与えることを示す。
論文 参考訳（メタデータ） (2025-05-21T17:56:07Z) - Temporal Difference Flows [82.24174052059352]
Geometric Horizon Models (GHMs) は、将来の状態を直接予測することで、魅力的な代替手段を提供する。
既存の手法は、列車時のブートストラップ予測や、長い地平線で高品質な予測を生成するのに苦慮している。
本稿では,従来の手法の水平長の5倍以上の精度で正確なGHMを学習するために,確率経路上の新しいベルマン方程式の構造を利用した時間差流(TD-Flow)を提案する。
論文 参考訳（メタデータ） (2025-03-12T20:30:07Z) - Improving Trajectory Prediction in Dynamic Multi-Agent Environment by
Dropping Waypoints [9.385936248154987]
動作予測システムは、エージェントの将来の軌跡を予測するために、過去から空間的および時間的情報を学習する必要がある。
本稿では,軌道予測モデルのトレーニング中に時間的依存関係を明示的に組み込んだTWDを提案する。
NBA Sports VU, ETH-UCY, TrajNet++の3つのデータセットに対する提案手法の評価を行った。
論文 参考訳（メタデータ） (2023-09-29T15:48:35Z) - Continual Test-Time Domain Adaptation [94.51284735268597]
テスト時ドメイン適応は、ソースデータを使用しずに、ソース事前訓練されたモデルをターゲットドメインに適応することを目的としている。
CoTTAは実装が容易で、市販の事前訓練モデルに簡単に組み込むことができる。
論文 参考訳（メタデータ） (2022-03-25T11:42:02Z) - Correcting Momentum in Temporal Difference Learning [95.62766731469671]
時間差(TD)学習のモーメントは2倍に不安定になる勾配を蓄積すると主張している。
この現象が存在することを示し、その上で運動量に対する一階補正項を提案する。
この研究の重要な洞察は、深いRL法は、常に監督された設定から直接テクニックをインポートすることで最適ではないということである。
論文 参考訳（メタデータ） (2021-06-07T20:41:15Z)
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。