แนวคิดหลัก
Developing a novel theory of conditional generation based on Flow Matching with a focus on the generalized continuity equation.
บทคัดย่อ
この論文では、流れにマッチングを基にした条件付き生成の新しい理論を開発しています。一般化された連続方程式に焦点を当て、条件付き生成の理論を拡張しています。これにより、外部パラメーターなしで目標条件を再現するだけでなく、既存の手法よりも未知の分布の内挿/外挿が向上し、スタイル変換のためのフローを生成することが可能です。
สถิติ
Lipman et al. (2023) によるデビュー以来、数多くの研究が行われており、その中でEFMは既存手法よりも優れた性能を発揮している。
Zheng et al. (2023) は v(t, c, x) = ωvt(x | ∅) + (1 - ω)vt(x | c) の形式でベクトルフィールド v をパラメータ化するアプローチを取っている。
Hu et al. (2023) は vt(xctargets) − vt(xcothers) の平均値からガイダンスベクトルを作成する方法を採用している。
Pooladian et al. (2023; Tong et al., 2023b) は最適輸送法を使用して条件付きフロー構築に取り組んでおり、学習と推論が安定しやすくなっている。
EFMはFMと拡散モデルに似たper-exampleフォーミュレーションを通じて学習されることが保証されている。
คำพูด
"Many current approaches to conditional generation adhere to classifier-free guidance protocol."
"EFM constructs the flow of generation for an arbitrary condition through the matrix field u."
"Our research pertains to solving the GCE with boundary distributional conditions."