論文の概要: Physics-Informed One-Step Generation on Long-short flow maps

• arxiv url: http://arxiv.org/abs/2611.01651v1
• Date: Sun, 01 Nov 2026 07:00:19 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:46:43.232644
• Title: Physics-Informed One-Step Generation on Long-short flow maps
• Title（参考訳）: 長短フローマップにおける物理インフォームドワンステップ生成
• Abstract要約: 生成モデルは、データ整合性と物理的に有効であるサンプルを生成するべきである。 データ分散と物理制約学習の両方が、代理目的を通じて間接的にのみ実施されるため、ワンステップフローマップモデルは困難である。 直接誘導(LSFM-DG)を用いたbfbfPhysics-Informed Long-Short Flow Mapsを提案する。
• 参考スコア（独自算出の注目度）: 14.45125146347358
• License:
• Abstract: Physics-informed generative models should produce samples that are both data-aligned and physically valid, yet existing methods are often iterative and too slow for practical use. Achieving this with a one-step flow-map model is difficult because both data-distribution and physics-constraint learning are enforced only indirectly through surrogate objectives, making their joint learning fragile for long-range flow maps. We propose \textbf{Physics-Informed Long-Short Flow Maps with Direct Guidance (LSFM-DG)}, which makes direct target computation feasible by decomposing one-step generation into a long flow map for global evolution and a near-terminal short flow map with computable closed-form solutions and physics potentials. As the short flow map shrinks to zero, it provides both direct distributional and physical targets for learning the long flow map. This yields a unified one-step flow-map model that removes Jensen's gap, improves training stability, and achieves stronger data fidelity and physical consistency without distillation.
• Abstract（参考訳）: 物理インフォームド生成モデルは、データ整合性と物理的に有効なサンプルを生成する必要があるが、既存の手法はしばしば反復的であり、実用には遅すぎる。 1ステップのフローマップモデルでこれを達成することは、データ分散と物理制約学習の両方が、代理目的によって間接的にのみ実施されるため、長距離フローマップのジョイントラーニングが脆弱になるため、困難である。 計算可能な閉形式解と物理ポテンシャルを用いた,大域的な進化のためのロングフローマップとほぼ終端のショートフローマップにワンステップ生成を分解することで,直接的目標計算を可能にする。 短フロー写像が0に縮まると、長フロー写像を学習するための直接分布と物理的目標の両方を提供する。 これにより、Jensenのギャップを除去し、トレーニング安定性を改善し、蒸留なしでより強力なデータ忠実性と物理的一貫性を達成する一段階フローマップモデルが得られる。

関連論文リスト

• Improved Training of Strong Stochastic Flow Maps [41.855556530393464]
  フローマップは、解道に沿って直接時間の間をジャンプすることを学ぶことによって、微分方程式(SDE)のわずかなステップサンプリングを約束する。 ブラウンパス自体は無限次元の物体であり、ニューラルネットワークに渡さなければならない。 本研究では,大規模な事前学習フローモデルから強流動マップへの微調整法を提案する。
  論文  参考訳（メタデータ） (2026-10-21T11:43:19Z)
• Normalizing Flow Maps [56.49053712783922]
  我々は,正規化フローとフローマップを一般化する,正確に非可逆なプッシュフォワードマップのクラスである正規化フローマップ(NFM)を紹介する。 NFMは、基礎となる力学系の積分子を学習するが、重要なことは、建設による効率的な正確な精度評価を提供することである。 NFMは、パラメータマッチングされた正規化フロー間の最先端のサンプル品質を実現し、可能性ベースのRLHFをサポートする。
  論文  参考訳（メタデータ） (2026-10-15T22:28:45Z)
• Discrete Beckmann Transport Models for One-Step Language Modeling and Reasoning [1.6566972365776105]
  離散ベックマン輸送モデル(DBTM)を紹介する。 DBTMは時間に依存しない流れの上に構築され、自律的な輸送マップは、周囲空間の任意の点を一つのステップで固定点へ確実に輸送する。 言語モデリングと推論タスクにおいて、DBTMは離散拡散と連続フローベースラインよりも品質と精度を向上させる1段階と2段階の生成を可能にする。
  論文  参考訳（メタデータ） (2026-09-14T17:19:47Z)
• Beckmann Transport Models: From Autonomous Flows to One-Step Maps [47.88178310873025]
  本稿では,時間非依存な速度場に依存する流れマッチングのインスタンス化を提案し,二つの分布をマッピングする。 また、この流れに付随する一段階生成写像が、単純な保存方程式のユニークな解であることも示している。
  論文  参考訳（メタデータ） (2026-08-03T04:45:52Z)
• FlowConsist: Make Your Flow Consistent with Real Trajectory [99.22869983378062]
  現在の高速フロートレーニングパラダイムには,2つの根本的な問題がある,と我々は主張する。 ランダムにペアリングされたノイズデータサンプルから構築された条件付き速度は、系統的な軌跡ドリフトを導入する。 本研究では,高速フローにおける軌道整合性を実現するためのトレーニングフレームワークであるFlowConsistを提案する。
  論文  参考訳（メタデータ） (2026-02-06T03:24:23Z)
• CMT: Mid-Training for Efficient Learning of Consistency, Mean Flow, and Flow Map Models [75.81132530657682]
  Consistency Models (CM) や Mean Flow (MF) のようなフローマップモデルは、拡散モデルのODE解の長い跳躍を学習することで、少数のステップ生成を可能にする。 本研究では,(拡散)事前学習と最終フローマップトレーニングの間に,軽量な中間段階を挿入する最初の概念と実践的手法であるミドルトレーニングを紹介する。
  論文  参考訳（メタデータ） (2025-09-29T09:42:08Z)
• Align Your Flow: Scaling Continuous-Time Flow Map Distillation [63.927438959502226]
  フローマップは、任意の2つのノイズレベルを1ステップで接続し、すべてのステップカウントで有効に保ちます。 画像生成ベンチマークにおいて、Align Your Flowと呼ばれるフローマップモデルを広範囲に検証する。 テキスト条件付き合成において、既存の非横断的訓練された数ステップのサンプルよりも優れたテキスト間フローマップモデルを示す。
  論文  参考訳（メタデータ） (2025-06-17T15:06:07Z)

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。