SubFlow: 多様な1ステップ生成のためのサブモード条件付きフローマッチング

arXiv cs.LG / 2026/4/15

📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、既存の1ステップのフローマッチングモデルが、MSEで学習されたクラス条件付きフローによって、クラス内のサブモードに対して頻度に重み付けされた平均を実効的に学習してしまい、まれではあるが妥当な変化が平均化されるため、多様性が深刻に劣化し得ることを指摘している。
提案手法SubFlow（Sub-mode Conditioned Flow Matching）は、クラスタリングによって各クラスを微細な意味的サブモードに分解し、サブモードのインデックスでフローを条件付けすることで「平均化による歪み（averaging distortion）」を回避する。
条件付けられた各サブ分布を概ね単峰性（unimodal）にすることで、SubFlowは個々のモードをより正確に狙い、単一の推論ステップでもモードのカバレッジをより完全に復元することを目指す。
SubFlowはプラグアンドプレイとして設計されており、MeanFlowやShortcut Modelsのような既存の1ステップフレームワークに、アーキテクチャの変更なしで統合できる。
ImageNet-256での実験では、生成の多様性（Recallの向上）を改善しつつ、画像品質（FID）が競争力のある水準に保たれることを示しており、1ステップ生成アプローチ全般との広い互換性を実証している。