論文の概要: Coupled Guidance for Flow Matching

• arxiv url: http://arxiv.org/abs/2610.40109v1
• Date: Thu, 29 Oct 2026 14:12:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.514097
• Title: Coupled Guidance for Flow Matching
• Title（参考訳）: フローマッチングのための結合誘導
• Abstract要約: 幾何学的視点から導いたフローマッチング特異的誘導機構を提案する。 我々のフレームワークは、追加のオーバーヘッドを伴わずに、すべてのタスクにおけるサンプル品質とガイダンスの安定性を改善します。
• 参考スコア（独自算出の注目度）: 13.299507495084415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Guidance methods are essential tools for steering the generation process in diffusion models, improving the generalizability of stochastic robotic controllers and enabling high-quality controlled image synthesis. Despite strong parallels between flow-matching and diffusion, integrating guidance into flow-matching models remains quite challenging. Recent work has proposed general guidance frameworks for flow-matching, however, they are direct adaptations of diffusion guidance methods and can prove unstable. In this work, we conduct a theoretical analysis of guidance in flow-matching and show that a naive translation of diffusion-based guidance to flow-matching breaks the coupling distribution used during training, resulting in weaker control over sampling accuracy. Building on this insight, we propose Coupled Guidance, a flow-matching-specific guidance mechanism derived from a geometric perspective that leverages the coupling structure inherent to flow-matching training. To validate the effectiveness of our approach, we conduct extensive experimentation on a custom robotic collision avoidance task using ManiSkill3, four robotic dexterous manipulation tasks from the Adroit benchmark, and three image generation tasks, namely inpainting, super-resolution, and deblurring, using the ImageNet-128 and CelebA-HQ-256 datasets. Our findings show that our framework improves sample quality and guidance stability across all tasks, without imposing any additional overhead.
• Abstract（参考訳）: 誘導法は, 拡散モデルにおける生成過程のステアリング, 確率論的ロボット制御器の一般化性の向上, 高品質な制御画像合成を実現するための重要なツールである。 フローマッチングと拡散の間には強い並列性があるにもかかわらず、フローマッチングモデルへのガイダンスの統合は非常に難しい。 近年、フローマッチングのための一般的なガイダンスフレームワークが提案されているが、これらは拡散誘導法の直接的な適応であり、不安定であることが証明できる。 本研究では,フローマッチングにおけるガイダンスの理論的解析を行い,フローマッチングに対する拡散ベースのガイダンスの素早い翻訳が,トレーニング中に使用する結合分布を損なうことを示し,サンプリング精度に対する制御がより弱くなることを示す。 この知見に基づいて,フローマッチング学習に固有の結合構造を利用する幾何学的視点から導いた,フローマッチング固有のガイダンス機構である結合ガイダンスを提案する。 提案手法の有効性を検証するため,我々は,ManiSkill3を用いたカスタムロボット衝突回避タスク,Adroitベンチマークからの4つのロボットデキスタラス操作タスク,およびImageNet-128とCelebA-HQ-256データセットを用いた3つの画像生成タスクについて,広範囲にわたる実験を行った。 以上の結果から,我々のフレームワークはオーバーヘッドを伴わずに,全タスクのサンプル品質とガイダンスの安定性を改善していることがわかった。

関連論文リスト

• Lyapunov Guidance: A Unified Framework for Stabilizing Generative Flows [24.177502329901817]
  本稿では,リアプノフ制御問題としてフローガイダンスを定式化する統一的なリアプノフ誘導フレームワークであるリアグードを提案する。 本研究の主な理論的結果は, 誘導流マッチングとリアプノフ制御の等価性を確立し, 共通誘導戦略を統一するものである。 LyaGuideは既存のガイダンスメソッドと互換性があり、最小限の計算オーバーヘッドを導入している。
  論文  参考訳（メタデータ） (2026-07-15T18:28:08Z)
• Probability-Conserving Flow Guidance [49.03107678763765]
  Adaptive Manifold Guidance (AdaMaG)はリアリズムを改善し、幻覚を減らし、高誘導下での劣化を制御する。 画像生成ベンチマーク全体で、AdaMaGはリアリズムを改善し、幻覚を減らし、高誘導下での劣化を制御する。
  論文  参考訳（メタデータ） (2026-05-19T16:34:01Z)
• Euphonium: Steering Video Flow Matching via Process Reward Gradient Guided Stochastic Dynamics [49.242224984144904]
  本稿では,プロセス報酬勾配誘導ダイナミクスによる生成を支援する新しいフレームワークであるEuphoniumを提案する。 我々の重要な洞察は、プロセス・リワード・モデルの勾配を明示的に組み込んだ理論的に原理化されたアルゴリズムとしてサンプリング・プロセスを定式化することである。 我々は,誘導信号をフローネットワークに内部化する蒸留目標を導出し,報奨モデルへの推論時間依存性を排除した。
  論文  参考訳（メタデータ） (2026-02-04T08:59:57Z)
• Rethinking Unsupervised Cross-modal Flow Estimation: Learning from Decoupled Optimization and Consistency Constraint [20.46870753632375]
  DCFlowは、教師なしのクロスモーダルフロー推定フレームワークである。 本稿では,タスク固有の監督機能を備えた非結合最適化戦略を導入し,モダリティの相違と幾何学的相違を明確に解消する。 評価のために、パブリックデータセットを再取得することで、包括的なクロスモーダルフローベンチマークを構築する。
  論文  参考訳（メタデータ） (2025-09-29T08:10:41Z)
• Discrete Guidance Matching: Exact Guidance for Discrete Flow Matching [36.348940136801296]
  この問題に対処するために、離散データのための新しいガイダンスフレームワークを提案する。 学習した離散フローマッチングモデルにより、所望の分布の正確な遷移率を導出する。 本稿では,エネルギー誘導型シミュレーションと嗜好アライメントによるテキスト・ツー・イメージ生成とマルチモーダル理解タスクの有効性を示す。
  論文  参考訳（メタデータ） (2025-09-26T05:51:31Z)
• RAAG: Ratio Aware Adaptive Guidance [9.525432706814675]
  フローベースの生成モデルは驚くべき進歩を遂げた。 推論全体を通じて強力な、固定されたガイダンススケールを適用することは、現代的なアプリケーションに必要な、迅速な、数ステップのサンプリングには適していない。 本稿では,進化率に基づいて早期段階の指導尺度を自動的に減衰させる,シンプルな,理論的に基礎付けられた適応型指導スケジュールを提案する。
  論文  参考訳（メタデータ） (2025-08-05T13:41:05Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Flow Matching Ergodic Coverage [0.0]
  既存のエルゴディックカバレッジ手法は、制御合成に利用可能なエルゴディックメトリクスの限られたセットによって制約される。 本稿では,フローマッチングに基づくエルゴディックカバレッジの代替手法を提案する。この手法は,効率的な,スケーラブルなサンプリングのための生成推論に広く用いられている。 我々の定式化は、既存の制約を克服するジェネレーティブ推論から代替エルゴディックメトリクスを可能にする。
  論文  参考訳（メタデータ） (2025-04-24T18:18:35Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)

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。