フローマッチングのための結合ガイダンス

- flow-matching モデルにおける guidance 手法の新しい定式化「Coupled Guidance」を提案する研究。 - diffusion の guidance をそのまま流用すると不安定になる問題を理論的に分析し、flow-matching 固有の coupling 構造を活かす幾何学的視点から導出。 - ロボティクス(衝突回避・dexterous manipulation)と画像生成(inpainting, super-resolution, deblurring)の両方で評価。

- 近年提案された flow-matching 向け general guidance framework は diffusion guidance の直接的適応であり不安定になり得る、と指摘。 - 理論解析により、naive な diffusion guidance の移植は学習時の coupling distribution を壊し、sampling accuracy への制御が弱まることを示す。 - その知見に基づき coupling 構造を活用する flow-matching 固有の guidance を提案し、追加 overhead なしで sample quality と guidance stability を改善。

- flow-matching における guidance を理論的に解析し、coupling distribution の破壊が制御精度低下につながることを明らかにする。 - 幾何学的視点から、flow-matching の学習に内在する coupling structure を利用する Coupled Guidance を導出。 - diffusion guidance の単純移植ではなく、flow-matching の training coupling を保つ形で guidance を組み込む点が肝。

- ManiSkill3 を用いた独自のロボティック衝突回避タスクで実験。 - Adroit benchmark の 4 つの robotic dexterous manipulation タスクで評価。 - ImageNet-128 と CelebA-HQ-256 を用いた inpainting, super-resolution, deblurring の 3 画像生成タスクで評価。 - 全タスクで sample quality と guidance stability が向上し、追加 overhead がないことを示す。

- diffusion guidance の naive な flow-matching への移植が coupling distribution を壊すという理論的知見が議論の中心。 - 幾何学的視点からの Coupled Guidance が sampling accuracy の制御を改善する一方、具体的な限界や失敗ケースは要旨からは不明。 - 追加 overhead がない点は実用上の利点として述べられている。

- flow-matching 向けの既存 general guidance framework(要旨で言及される recent work)。 - diffusion guidance の代表的手法(classifier guidance, classifier-free guidance など)。 - flow-matching の基礎(Flow Matching)。 - 実験で用いられた ManiSkill3、Adroit benchmark、ImageNet-128、CelebA-HQ-256 関連の研究。