論文の概要: Efficient Covariance-Aware Vicinal Latent Diffusion for Continuous Conditional Image Generation

• arxiv url: http://arxiv.org/abs/2610.39277v1
• Date: Thu, 29 Oct 2026 03:29:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 00:25:01.963561
• Title: Efficient Covariance-Aware Vicinal Latent Diffusion for Continuous Conditional Image Generation
• Title（参考訳）: 連続条件画像生成のための高効率共分散型ビシナル潜伏拡散
• Abstract要約: 連続条件生成モデリング(Continuous Conditional Generative Modeling)は、連続的な価値付けされたスカラーラベルに条件付けされた高次元データを合成することを目的としている。 既存の連続拡散モデルは、不均衡なラベル分布と長い尾を持つラベル分布の下で、厳しいデータ間隔に直面している。 連続条件生成のための効率的な潜伏拡散フレームワークであるCAViLDを提案する。
• 参考スコア（独自算出の注目度）: 21.4229109453464
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous Conditional Generative Modeling (CCGM) aims to synthesize high-dimensional data conditioned on continuously valued scalar labels. However, existing continuous diffusion models face severe data sparsity under imbalanced and long-tailed label distributions, which can lead to visual artifacts and condition inconsistency. Moreover, inference-time classifier-free guidance and dense pixel-space integration introduce substantial sampling overhead, limiting practical deployment. To address these challenges, we propose CAViLD, an efficient latent diffusion framework for continuous conditional generation. CAViLD first constructs a purified condition-aware latent space through density-adaptive vicinal learning, auxiliary semantic regularization, and NIQE-guided negative data augmentation. It then internalizes the conditional guidance direction through an EMA teacher, enabling single-branch conditional inference, and introduces covariance-aware progressive distillation for label-dependent probability-flow ODEs, supporting sampling down to four NFEs. Experiments on RC-49, UTKFace, and Steering Angle demonstrate a favorable trade-off among generation fidelity, continuous condition consistency, and sampling efficiency.
• Abstract（参考訳）: CCGM(Continuous Conditional Generative Modeling)は、連続的に値付けられたスカラーラベルに基づく高次元データを合成することを目的としている。 しかし、既存の連続拡散モデルは、不均衡なラベル分布と長い尾を持つラベル分布の下で厳しいデータ空間に直面するため、視覚的アーティファクトや条件の不整合につながる可能性がある。 さらに、推論時クラシファイアフリーガイダンスと高密度画素空間の統合により、かなりのサンプリングオーバーヘッドが発生し、実際の展開が制限される。 これらの課題に対処するために,連続条件生成のための効率的な潜伏拡散フレームワークであるCAViLDを提案する。 CAViLDは、まず、密度適応ビジナル学習、補助的セマンティック正規化、NIQE誘導の負データ拡張を通じて、清浄条件対応の潜伏空間を構築する。 次に、EMA教師を通して条件指示方向を内部化し、単一ブランチ条件推論を可能にし、4つのNFEへのサンプリングをサポートするラベル依存確率フローODEに対する共分散対応プログレッシブ蒸留を導入する。 RC-49, UTKFace, ステアリングアングルの実験では, 生成忠実度, 連続条件の整合性, サンプリング効率のトレードオフが良好であった。

関連論文リスト

• Large Language Continuous Diffusion Models [91.20829802998554]
  ステアブルで低次元のODE/SDE潜在軌道上に構築された最初の大規模(3B/8B)連続dLMであるSigmaについて述べる。 埋め込み空間のステアリングは、品質と多様性のトレードオフを効果的に支配し、強力なpass@kパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2026-10-02T01:34:44Z)
• A Plug-in Interpretation of Conditioning in Score-Based Diffusion Models [18.321591924290967]
  対象と条件の多速連成拡散に基づく拡散モデルの条件付け機構を提案する。 この機構は、無条件のジョイントスコアネットワークを学習し、プラグイン補正項を介して推論時のコンディショニングを実施する。 我々は、条件付き逆時間SDEと近似確率フローODEを導出し、原則付きおよび直接同値な条件付きサンプリングを可能にする。
  論文  参考訳（メタデータ） (2026-08-19T23:45:05Z)
• Guiding a Diffusion Model by Swapping Its Tokens [16.588428780117752]
  本研究では,条件生成と非条件生成の両方に対して,CFGライクなガイダンスを実現するための簡単な手法を提案する。 鍵となるアイデアは、単純なトークンスワップ操作によって混乱した予測を生成することである。 提案手法はトークン潜伏剤を選択的に交換し,分解し,摂動の制御をきめ細かなものにする。
  論文  参考訳（メタデータ） (2026-04-09T09:54:49Z)
• Continuously Augmented Discrete Diffusion model for Categorical Generative Modeling [87.34677262370924]
  標準離散拡散モデルは、吸収[MASK]トークンにそれらをマッピングすることで、すべての観測されていない状態を同一に扱う。 これは'インフォメーション・ヴォイド'を生成します。そこでは、偽のトークンから推測できるセマンティック情報は、デノイングステップの間に失われます。 連続的拡張離散拡散(Continuously Augmented Discrete Diffusion)は、連続的な潜在空間における対拡散で離散状態空間を拡大するフレームワークである。
  論文  参考訳（メタデータ） (2025-10-01T18:00:56Z)
• Imbalance-Robust and Sampling-Efficient Continuous Conditional GANs via Adaptive Vicinity and Auxiliary Regularization [15.273709585153009]
  データ不均衡を扱うための2つの新しいコンポーネントを備えた拡張CcGANフレームワークを提案する。 CcGANフレームワークのネイティブワンステップジェネレータは、CCDMよりも30x-2000倍高速な推論を可能にする。
  論文  参考訳（メタデータ） (2025-08-03T11:36:00Z)
• Constrained Discrete Diffusion [61.81569616239755]
  本稿では,拡散過程における微分可能制約最適化の新たな統合であるCDD(Constrained Discrete Diffusion)を紹介する。 CDDは直接、離散拡散サンプリングプロセスに制約を課し、トレーニング不要で効果的なアプローチをもたらす。
  論文  参考訳（メタデータ） (2025-03-12T19:48:12Z)
• Improving Vector-Quantized Image Modeling with Latent Consistency-Matching Diffusion [55.185588994883226]
  VQ-LCMDは、学習を安定させる埋め込み空間内の連続空間潜在拡散フレームワークである。 VQ-LCMDは、関節埋め込み拡散変動下界と整合整合性(CM)損失を組み合わせた新しいトレーニング目標を使用する。 実験により,提案したVQ-LCMDは離散状態潜伏拡散モデルと比較して,FFHQ,LSUN教会,LSUNベッドルームにおいて優れた結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-10-18T09:12:33Z)
• Trajectory Consistency Distillation: Improved Latent Consistency Distillation by Semi-Linear Consistency Function with Trajectory Mapping [75.72212215739746]
  軌道整合性蒸留(TCD)は、軌道整合性と戦略的サンプリングを含む。 TCDは低NFEで画像品質を著しく向上させるが、教師モデルと比較してより詳細な結果が得られる。
  論文  参考訳（メタデータ） (2024-02-29T13:44:14Z)

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。