Multidimensional Adaptive Coefficient for Inference Trajectory Optimization in Flow and Diffusion

要約

フローと拡散モデルは、さまざまなタスクで強力なパフォーマンスとトレーニングの安定性を実証していますが、シミュレーションベースの方法の2つの重要な特性がありません。次元の自由度と、異なる推論軌跡に対する適応性です。
この制限に対処するために、従来の単次元係数を多次元の係数に拡張し、推論の軌道係数を可能にするフローおよび拡散モデルのプラグインモジュールである多次元適応係数（MAC）を提案します。
Macは、敵対的な洗練を通じてシミュレーションベースのフィードバックを介してトレーニングされます。
多様なフレームワークとデータセット全体の経験的結果は、MACが高いトレーニング効率で生成品質を向上させることを示しています。
その結果、私たちの研究は、推論の軌跡の最適性に関する新しい視点を提供し、将来の研究がベクターフィールド設計を超えて、トレーニング効率の良いシミュレーションベースの最適化を活用するよう促します。

要約(オリジナル)

Flow and diffusion models have demonstrated strong performance and training stability across various tasks but lack two critical properties of simulation-based methods: freedom of dimensionality and adaptability to different inference trajectories. To address this limitation, we propose the Multidimensional Adaptive Coefficient (MAC), a plug-in module for flow and diffusion models that extends conventional unidimensional coefficients to multidimensional ones and enables inference trajectory-wise adaptation. MAC is trained via simulation-based feedback through adversarial refinement. Empirical results across diverse frameworks and datasets demonstrate that MAC enhances generative quality with high training efficiency. Consequently, our work offers a new perspective on inference trajectory optimality, encouraging future research to move beyond vector field design and to leverage training-efficient, simulation-based optimization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google