A-FloPS: 適応型フローパスサンプリヤーによる拡散モデルの加速

arXiv:2509.00036v2 発表タイプ：置き換えクロス サマリエ：拡散モデルは多様なモダリティにおいて最先端の生成性能を提供していますが、内在する反復サンプリングプロセスにより計算コストが高くなります。既存のトレーニング不要な加速手法は、逆時間 ODE（微分方程式）のための数値解算器を改良することで効果を高めるものですが、それらの効果は根本的に下流のサンプリング経路の非効率性に制限されています。我々は、任意の事前訓練済み拡散モデルのサンプリング経路をフローマッチング形式に再パラメータ化し、適応型速度分解を付加する、原理に基づいたトレーニング不要なフレームワーク A-FloPS（適応型フローパスサンプリヤー）を提案します。この再パラメータ化は、拡散スコアをフロー適合速度に分析的にマッピングし、再トレーニングなしで統合に友好的な経路を生み出します。適応型メカニズムはさらに、速度場を線形推移項と時間変動を積極的かつ非周期的に抑制する残差構成項に分解し、極めて低い NFE（数関数評価）の режим 下であっても高階数の統合の精度利益を回復させます。条件付き画像生成およびテキスト生成の画像合成における広範な実験により、A-FloPS は既存のトレーニング不要なサンプリヤーに比べて、サンプルの品質と効率の両面で一貫して優れていることが示されました。特に、$5$ の関数評価のみで、A-FloPS は大幅に低い FID を達成し、より鋭く整合性の高い画像を生成します。適応型メカニズムは、もともとそのフレームワークを備えた生成モデルも改善するため、その汎用性が示されています。これらの結果は、A-FloPS を高品質かつ低遅延な生成モデリングのための versatile で効果的な解決策であることを示しています。

arXiv:2509.00036v2 Announce Type: replace-cross Abstract: Diffusion models deliver state-of-the-art generative performance across diverse modalities but remain computationally expensive due to their inherently iterative sampling process. Existing training-free acceleration methods typically improve numerical solvers for the reverse-time ODE, yet their effectiveness is fundamentally constrained by the inefficiency of the underlying sampling trajectories. We propose A-FloPS (Adaptive Flow Path Sampler), a principled, training-free framework that reparameterizes the sampling trajectory of any pre-trained diffusion model into a flow-matching form and augments it with an adaptive velocity decomposition. The reparameterization analytically maps diffusion scores to flow-compatible velocities, yielding integration-friendly trajectories without retraining. The adaptive mechanism further factorizes the velocity field into a linear drift term and a residual component whose temporal variation is actively suppressed, restoring the accuracy benefits of high-order integration even in extremely low-NFE regimes. Extensive experiments on conditional image generation and text-to-image synthesis show that A-FloPS consistently outperforms state-of-the-art training-free samplers in both sample quality and efficiency. Notably, with as few as $5$ function evaluations, A-FloPS achieves substantially lower FID and generates sharper, more coherent images. The adaptive mechanism also improves native flow-based generative models, underscoring its generality. These results position A-FloPS as a versatile and effective solution for high-quality, low-latency generative modeling.