arXiv:2511.18471v1 Announce Type: new 
Abstract: Diffusion models have recently emerged as powerful generative priors for solving inverse problems, achieving state-of-the-art results across various imaging tasks. A central challenge in this setting lies in balancing the contribution of the prior with the data fidelity term: overly aggressive likelihood updates may introduce artifacts, while conservative updates can slow convergence or yield suboptimal reconstructions. In this work, we propose an adaptive likelihood step-size strategy to guide the diffusion process for inverse-problem formulations. Specifically, we develop an observation-dependent weighting scheme based on the agreement between two different approximations of the intractable intermediate likelihood gradients, that adapts naturally to the diffusion schedule, time re-spacing, and injected stochasticity. The resulting approach, Adaptive Posterior diffusion Sampling (AdaPS), is hyperparameter-free and improves reconstruction quality across diverse imaging tasks - including super-resolution, Gaussian deblurring, and motion deblurring - on CelebA-HQ and ImageNet-256 validation sets. AdaPS consistently surpasses existing diffusion-based baselines in perceptual quality with minimal or no loss in distortion, without any task-specific tuning. Extensive ablation studies further demonstrate its robustness to the number of diffusion steps, observation noise levels, and varying stochasticity.

تم اقتراح نهج جديد يسمى أخذ عينات الانتشار الخلفي التكيفي (AdaPS) لتحسين نماذج الانتشار في حل المشكلات العكسية في التصوير. يقدم هذا الأسلوب استراتيجية حجم خطوة احتمالية تكيفية توازن بين المساهمات السابقة وموثوقية البيانات، بهدف تحسين جودة إعادة البناء دون الحاجة إلى ضبط معلمات فرعية.

Se ha propuesto un nuevo enfoque llamado muestreo de difusión posterior adaptativo (AdaPS) para mejorar los modelos de difusión en la resolución de problemas inversos en imágenes. Este método introduce una estrategia de tamaño de paso de verosimilitud adaptativa que equilibra las contribuciones previas con la fidelidad de los datos, con el objetivo de mejorar la calidad de la reconstrucción sin necesidad de ajuste de hiperparámetros.

Une nouvelle approche appelée échantillonnage de diffusion postérieur adaptatif (AdaPS) a été proposée pour améliorer les modèles de diffusion dans la résolution de problèmes inverses en imagerie. Cette méthode introduit une stratégie d'adaptation de la taille des étapes de vraisemblance qui équilibre les contributions antérieures avec la fidélité des données, visant à améliorer la qualité de reconstruction sans nécessiter de réglage d'hyperparamètres.

A new approach called Adaptive Posterior diffusion Sampling (AdaPS) has been proposed to enhance diffusion models for solving inverse problems in imaging. This method introduces an adaptive likelihood step-size strategy that balances prior contributions with data fidelity, aiming to improve reconstruction quality without the need for hyperparameter tuning.

Robust Posterior Diffusion-based Sampling via Adaptive Guidance Scale

arXiv:2511.19087v1 Announce Type: new 
Abstract: Flow-based generative models synthesize data by integrating a learned velocity field from a reference distribution to the target data distribution. Prior work has focused on endpoint metrics (e.g., fidelity, likelihood, perceptual quality) while overlooking a deeper question: what do the sampling trajectories reveal? Motivated by classical mechanics, we introduce kinetic path energy (KPE), a simple yet powerful diagnostic that quantifies the total kinetic effort along each generation path of ODE-based samplers. Through comprehensive experiments on CIFAR-10 and ImageNet-256, we uncover two key phenomena: ({i}) higher KPE predicts stronger semantic quality, indicating that semantically richer samples require greater kinetic effort, and ({ii}) higher KPE inversely correlates with data density, with informative samples residing in sparse, low-density regions. Together, these findings reveal that semantically informative samples naturally reside on the sparse frontier of the data distribution, demanding greater generative effort. Our results suggest that trajectory-level analysis offers a physics-inspired and interpretable framework for understanding generation difficulty and sample characteristics.

دراسة جديدة بعنوان 'EnfoPath: Energy-Informed Analysis of Generative Trajectories in Flow Matching' تقدم الطاقة الحركية للمسار (KPE) كأداة تشخيصية لتقييم النماذج التوليدية المعتمدة على التدفق. تكشف الأبحاث أن KPE الأعلى يرتبط بجودة دلالية أقوى في العينات المولدة، مما يشير إلى أن العينات الأكثر ثراءً تتطلب جهدًا حركيًا أكبر. بالإضافة إلى ذلك، نجد أن العينات المعلوماتية تميل إلى الوجود في مناطق ذات كثافة بيانات منخفضة.

Un nuevo estudio titulado 'EnfoPath: Energy-Informed Analysis of Generative Trajectories in Flow Matching' introduce la energía cinética de trayectoria (KPE) como una herramienta de diagnóstico para evaluar modelos generativos basados en flujo. La investigación revela que un KPE más alto se correlaciona con una mayor calidad semántica en las muestras generadas, indicando que las muestras más ricas requieren un mayor esfuerzo cinético. Además, se encuentra que las muestras informativas tienden a existir en regiones de baja densidad de datos.

Une nouvelle étude intitulée 'EnfoPath: Energy-Informed Analysis of Generative Trajectories in Flow Matching' introduit l'énergie cinétique de chemin (KPE) comme un outil de diagnostic pour évaluer les modèles génératifs basés sur le flux. La recherche révèle qu'un KPE plus élevé est corrélé à une qualité sémantique plus forte dans les échantillons générés, indiquant que des échantillons plus riches nécessitent plus d'efforts cinétiques. De plus, elle constate que les échantillons informatifs ont tendance à exister dans des régions de faible densité des données.

A new study titled 'EnfoPath: Energy-Informed Analysis of Generative Trajectories in Flow Matching' introduces kinetic path energy (KPE) as a diagnostic tool for evaluating flow-based generative models. The research reveals that higher KPE correlates with stronger semantic quality in generated samples, indicating that richer samples require more kinetic effort. Additionally, it finds that informative samples tend to exist in low-density regions of the data space.

EnfoPath: Energy-Informed Analysis of Generative Trajectories in Flow Matching

arXiv:2511.17005v1 Announce Type: new 
Abstract: We present FLUID (Face de-identification in the Latent space via Utility-preserving Identity Displacement), a training-free framework that directly substitutes identity in the latent space of pretrained diffusion models. Inspired by substitution mechanisms in chemistry, we reinterpret identity editing as semantic displacement in the latent h-space of a pretrained unconditional diffusion model. Our framework discovers identity-editing directions through optimization guided by novel reagent losses, which supervise for attribute preservation and identity suppression. We further propose both linear and geodesic (tangent-based) editing schemes to effectively navigate the latent manifold. Experimental results on CelebA-HQ and FFHQ demonstrate that FLUID achieves a superior trade-off between identity suppression and attribute preservation, outperforming state-of-the-art de-identification methods in both qualitative and quantitative metrics.

يقدم FLUID إطارًا خاليًا من التدريب لإزالة الهوية من الوجوه، حيث يستبدل الهوية في الفضاء الكامن لنماذج الانتشار المدربة مسبقًا، محققًا توازنًا بين قمع الهوية والحفاظ على السمات. تشير النتائج التجريبية على مجموعات بيانات مثل CelebA-HQ وFFHQ إلى تفوقه على الأساليب الحالية من حيث المقاييس النوعية والكمية.

FLUID presenta un marco sin entrenamiento para la desidentificación facial que sustituye la identidad en el espacio latente de modelos de difusión preentrenados, logrando un equilibrio entre la supresión de la identidad y la preservación de atributos. Los resultados experimentales en conjuntos de datos como CelebA-HQ y FFHQ indican su superioridad sobre los métodos existentes en métricas cualitativas y cuantitativas.

FLUID présente un cadre sans formation pour la dé-identification faciale qui substitue l'identité dans l'espace latent de modèles de diffusion pré-entraînés, atteignant un équilibre entre la suppression de l'identité et la préservation des attributs. Les résultats expérimentaux sur des ensembles de données comme CelebA-HQ et FFHQ indiquent sa supériorité par rapport aux méthodes existantes tant sur le plan qualitatif que quantitatif.

FLUID introduces a training-free framework for face de-identification that substitutes identity in the latent space of pretrained diffusion models, achieving a balance between identity suppression and attribute preservation. Experimental results on datasets like CelebA-HQ and FFHQ indicate its superiority over existing methods in both qualitative and quantitative metrics.

Robust Posterior Diffusion-based Sampling via Adaptive Guidance Scale

Was this article worth reading? Share it

GPTHumanizer

SellerPic

FETCH HIVE