論文の概要: CounterFlow: Target-Conditioned Flow Matching for Visual Counterfactuals

• arxiv url: http://arxiv.org/abs/2610.35679v1
• Date: Mon, 26 Oct 2026 16:18:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.066238
• Title: CounterFlow: Target-Conditioned Flow Matching for Visual Counterfactuals
• Title（参考訳）: CounterFlow: ビジュアルカウンタファクトのためのターゲット定義フローマッチング
• Abstract要約: 条件付きフローマッチングに基づく新しいフレームワークであるCounterFlowを紹介する。 CounterFlowは、ユーザが指定したターゲットクラスに対して、ソースイメージを直接ステアリングすることで、視覚的な偽物説明を生成する。 標準ベンチマークにおける実証的な評価は、CounterFlowがビジュアルリアリズムとターゲットクラス切り替えの両方で最先端のパフォーマンスを達成することを示す。
• 参考スコア（独自算出の注目度）: 3.262313362238467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In eXplainable AI, counterfactual explanations have gained significant traction by offering users direct, intuitive, and actionable insights into model decisions. We introduce CounterFlow, a novel framework based on Conditional Flow Matching that generates visual counterfactual explanations by directly steering a source image toward a user-specified target class. By leveraging target-conditioned vector fields, CounterFlow identifies highly realistic semantic modifications while requiring substantially lower computational overhead than traditional GAN- or diffusion-based architectures. Empirical evaluations on standard benchmarks demonstrate that CounterFlow achieves state-of-the-art performance in both visual realism and target class switching. By working directly in the raw pixel space, CounterFlow offers a more practical solution for real-world deployment.
• Abstract（参考訳）: eXplainable AIでは、モデル決定に対する直接的、直感的で、実行可能な洞察を提供することで、反ファクトの説明が大きな注目を集めている。 本研究では,条件付きフローマッチングに基づく新しいフレームワークであるCounterFlowを紹介した。 ターゲット条件付きベクトル場を活用することで、CounterFlowは、従来のGANや拡散に基づくアーキテクチャよりも計算オーバーヘッドをかなり低くしながら、非常に現実的なセマンティックな修正を識別する。 標準ベンチマークにおける実証的な評価は、CounterFlowがビジュアルリアリズムとターゲットクラス切り替えの両方で最先端のパフォーマンスを達成することを示す。 生のピクセル空間で直接作業することで、CounterFlowは現実世界のデプロイメントに対してより実用的なソリューションを提供する。

関連論文リスト

• ConFlow: Constraints-Guided Learning with Flow Matching for Motion Generation [2.0175723444555307]
  ロボットモーション生成では、収集されたデータには存在しないかもしれない追加の制約があることが多い。 本研究では,制約情報を直接トレーニング対象に組み込む制約誘導型フローマッチングフレームワークであるConFlowを提案する。 2ボットナビゲーションタスクの実験は、ConFlowがより低い衝突率とより高い軌道品質を達成することを示した。
  論文  参考訳（メタデータ） (2026-07-15T23:27:04Z)
• 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)
• FlowIt: Global Matching for Optical Flow with Confidence-Guided Refinement [44.07406912385784]
  FlowItは光フロー推定のための新しいアーキテクチャである。 大きなピクセルの変位を頑健に扱えるように設計されている。 競合するSintelとKITTIのベンチマークで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2026-03-30T17:58:12Z)
• Test-time scaling of diffusions with flow maps [68.79792714591564]
  テスト時の拡散モデルを改善するための一般的なレシピは、報酬の勾配を拡散そのものの力学に導入することである。 フローマップを直接扱うことで,簡単な解を提案する。 本研究では, 流図と流速場の関係を利用して, 従来のテスト時間法よりも精度の高いフローマップトラジェクトリ・ティルティング (FMTT) アルゴリズムを構築した。
  論文  参考訳（メタデータ） (2025-11-27T18:44:12Z)
• FlowSteer: Guiding Few-Step Image Synthesis with Authentic Trajectories [82.90132015584359]
  ReFlowはフローマッチングと理論的に整合性があるが、現実的なシナリオでは最適ではない。 本研究では,ReFlowをベースとした蒸留手法であるFlowSteerを提案する。
  論文  参考訳（メタデータ） (2025-11-24T07:13:23Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)
• AnyFlow: Arbitrary Scale Optical Flow with Implicit Neural Representation [17.501820140334328]
  我々は,様々な解像度の画像から正確な流れを推定するロバストなネットワークであるAnyFlowを紹介した。 我々は,KITTIデータセット上でのクロスデータセット一般化の最先端性能を確立する。
  論文  参考訳（メタデータ） (2023-03-29T07:03:51Z)
• DistractFlow: Improving Optical Flow Estimation via Realistic Distractions and Pseudo-Labeling [49.46842536813477]
  本稿では,光フロー推定モデルのトレーニングのための新しいデータ拡張手法であるDistractFlowを提案する。 2つのフレームのうちの1つを、類似したドメインを描写したイントラクタイメージと組み合わせることで、自然の物体やシーンと相反する視覚的摂動を誘発することができる。 私たちのアプローチでは、追加のアノテーションを必要とせずに、利用可能なトレーニングペアの数を大幅に増やすことができます。
  論文  参考訳（メタデータ） (2023-03-24T15:42:54Z)
• FlowStep3D: Model Unrolling for Self-Supervised Scene Flow Estimation [87.74617110803189]
  シーンフローとして知られるシーン内の点の3次元運動を推定することは、コンピュータビジョンにおける中核的な問題である。 本稿では,シーンフローの予測を洗練するための反復的アライメント手順の1ステップを学習する再帰的アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-11-19T23:23:48Z)

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。