Joint Flow Distribution Learning による一貫性モデルのための事後的ガイダンス
arXiv cs.LG / 2026/4/13
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 分類器フリー・ガイダンス（CFG）は拡散モデルに対して有効だが、高いサンプリングコストによって制約される。そのため、1 ステップまたは少数ステップでサンプルできる一貫性モデル（CM）などの代替が動機づけられる。
- 本論文は、既存の CM に対するガイダンス手法は通常、別の拡散モデル（DM）教師からの蒸留を必要とし、その結果、CM ガイダンスは「一貫性蒸留（consistency distillation）」の設定に限定されがちだと論じる。
- 著者らは、CM を ODE ソルバとして扱うことで、事前学習済みの CM に対するガイダンスを可能にする軽量な事後的アラインメント手法「Joint Flow Distribution Learning（JFDL）」を提案する。
- 正規性検定により、無条件と条件付きの速度場ノイズから示唆されるガウス分散が、本手法の仮定のもとで成立することを検証する。
- 実験の結果、JFDL は CM に調整可能な「ガイダンスノブ（guidance knob）」を追加し、生成品質を改善（FID の低下）することが示される。CIFAR-10 および ImageNet 64×64 で、DM 教師なしにガイダンスを有効に行えることが、この枠組みにおいて初めて実現される。
