論文の概要: Speed-Variation Distillation for Generative Modeling
- arxiv url: http://arxiv.org/abs/2611.17868v1
- Date: Fri, 13 Nov 2026 07:59:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.331682
- Title: Speed-Variation Distillation for Generative Modeling
- Title(参考訳): 生成モデルのための速度変化蒸留
- Abstract要約: 本稿では,多彩な画像を共有プロトタイプに向けてコントラクトする変動低減プロセスを中心に構築された生成フレームワークを提案する。
次に、逆過程を多様化演算子に蒸留し、プロトタイプをより多様なサンプルに変換する。
推論において、各ステップは認識可能な画像を生成し、早期終了を可能にし、制御可能な速度変化トレードオフを可能にする。
- 参考スコア(独自算出の注目度): 14.126062676142624
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While diffusion models excel at image generation, their denoising trajectories pass through corrupted intermediate states far from the image manifold. We ask whether generation can instead proceed through recognizable images throughout the entire trajectory. We introduce a generative framework built around a variation-reducing degradation process that contracts diverse images toward a shared prototype while preserving recognizable intermediate states. Because such manifold traversal lacks a simple analytical form, we construct the trajectories using generative-prior-based image morphing. We then distill the reverse process into a diversification operator that transforms the prototype into increasingly varied samples. To resolve the one-to-many ambiguity of the reverse process, we associate each trajectory with its initial noise latent and apply perturbations to improve robustness against accumulated errors. At inference, every step yields a recognizable image, allowing early termination and enabling a controllable speed--variation trade-off.
- Abstract(参考訳): 拡散モデルは画像生成時に優れるが、そのデノイング軌道は画像多様体から遠く離れた劣化した中間状態を通過する。
生成は、軌跡全体を通して認識可能な画像を通して進行できるかを問う。
本稿では,多彩な画像を共有プロトタイプに向けて共有し,認識可能な中間状態を保ちながら,変動低減処理を基盤とした生成フレームワークを提案する。
このような多様体のトラバーサルは単純な解析形式を欠いているため、生成的主元像のモーフィングを用いて軌道を構築する。
次に、逆過程を多様化演算子に蒸留し、プロトタイプをより多様なサンプルに変換する。
逆過程の1対多のあいまいさを解決するために,各軌道と初期雑音を関連付け,摂動を適用し,蓄積した誤差に対する頑健さを改善する。
推論において、各ステップは認識可能な画像を生成し、早期終了を可能にし、制御可能な速度変化トレードオフを可能にする。
関連論文リスト
- BiFM: Bidirectional Flow Matching for Few-Step Image Editing and Generation [48.679227622825806]
BiFM(Bidirectional Flow Matching)は、単一のモデル内で生成と反転を共同で学習する統合フレームワークである。
BiFMは既存の数ステップのアプローチを一貫して上回り、優れたパフォーマンスと編集性を実現している。
論文 参考訳(メタデータ) (2026-03-26T02:16:54Z) - Detecting Generated Images by Fitting Natural Image Distributions [75.31113784234877]
本稿では,自然画像と生成画像のデータ多様体間の幾何学的差異を利用した新しいフレームワークを提案する。
自然画像に対して一貫した出力を出力するために設計された関数対を用いるが、生成した関数に対しては発散出力を用いる。
データ多様体に沿った変換が、自然画像上で事前訓練された自己教師付きモデルの損失値に有意な変化をもたらす場合、画像は生成されたものとして識別される。
論文 参考訳(メタデータ) (2025-11-03T07:20:38Z) - Blind Image Restoration via Fast Diffusion Inversion [17.139433082780037]
Blind Image Restoration via fast Diffusion (BIRD) は、劣化モデルパラメータと復元画像の協調最適化を行うブラインド赤外線法である。
提案手法の鍵となる考え方は、初期ノイズがサンプリングされると、逆サンプリングを変更すること、すなわち、中間潜水剤を全て変更しないことである。
画像復元作業におけるBIRDの有効性を実験的に検証し,それらすべてに対して,その成果が得られたことを示す。
論文 参考訳(メタデータ) (2024-05-29T23:38:12Z) - Bidirectional Consistency Models [1.486435467709869]
拡散モデル(DM)は、ランダムなベクトルを反復的に認知することで、驚くほど高品質なサンプルを生成することができる。
DMはまた、確率フロー常微分方程式(PF ODE)に沿って後方に移動することにより、入力画像から雑音への逆変換も可能である。
論文 参考訳(メタデータ) (2024-03-26T18:40:36Z) - Gradpaint: Gradient-Guided Inpainting with Diffusion Models [71.47496445507862]
Denoising Diffusion Probabilistic Models (DDPM) は近年,条件付きおよび非条件付き画像生成において顕著な成果を上げている。
我々はGradPaintを紹介し、グローバルな一貫性のあるイメージに向けて世代を操る。
我々は、様々なデータセットで訓練された拡散モデルによく適応し、現在最先端の教師付きおよび教師なしの手法を改善している。
論文 参考訳(メタデータ) (2023-09-18T09:36:24Z) - A Variational Perspective on Solving Inverse Problems with Diffusion
Models [101.831766524264]
逆タスクは、データ上の後続分布を推測するものとして定式化することができる。
しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。
そこで我々は,真の後続分布を近似する設計手法を提案する。
論文 参考訳(メタデータ) (2023-05-07T23:00:47Z) - Improving Diffusion Models for Inverse Problems using Manifold Constraints [55.91148172752894]
我々は,現在の解法がデータ多様体からサンプルパスを逸脱し,エラーが蓄積することを示す。
この問題に対処するため、多様体の制約に着想を得た追加の補正項を提案する。
本手法は理論上も経験上も従来の方法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-06-02T09:06:10Z)
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。