Tipus de document
Treball de fi de grauData de publicació
Llicència de publicació
Si us plau utilitzeu sempre aquest identificador per citar o enllaçar aquest document: https://hdl.handle.net/2445/232187
Image Generation via Drifting
Títol de la revista
Autors
Director/Tutor
Contribució addicional
ISSN de la revista
Títol del volum
Resum
[eng] Most state-of-the-art generative models that achieve high sample quality, from image systems such as Stable Diffusion 3 to video systems such as Meta's Movie Gen, pay for it at inference time: producing a single sample requires simulating a differential equation over tens to hundreds of sequential network evaluations (Stable Diffusion 3, for instance, uses fifty). This work studies drifting, a recently proposed framework that instead concentrates the cost in training and generates each sample in a single forward pass. It trains the generator to follow a drifting field: a kernel-based vector field that pulls each generated sample toward the real data and away from the other generated samples. We develop the mathematical foundations of this framework, characterising when its drifting field vanishes. We then implement the method as a class-conditional transformer (DriftDiT) and evaluate one-step generation on MNIST and Fashion-MNIST, reaching Fréchet Inception Distances of 3.86 and 7.64 respectively.
[cat] Els models generatius més avançats, des de sistemes d’imatge com Stable Diffusion 3 fins a generadors de vídeo com Movie Gen de Meta, produeixen mostres d’alta qualitat, però a costa d’una generació lenta: obtenir una sola mostra requereix simular una equació diferencial mitjançant desenes o centenars d’avaluacions consecutives de la xarxa (Stable Diffusion 3, per exemple, en fa cinquanta). Aquest treball estudia el drifting, un marc proposat recentment que, en canvi, desplaça aquest cost cap a l’entrenament i genera cada mostra amb una única avaluació. La idea és entrenar el generador perquè segueixi el drifting: un camp vectorial, definit a partir de kernels, que atrau cada mostra generada cap a les dades reals i l’allunya de la resta de mostres generades. Desenvolupem els fonaments matemàtics i caracteritzem en quins casos s’anul·la el camp. Finalment, l’implementem com un transformer condicionat per la classe (DriftDiT) i avaluem la generació en un sol pas sobre MNIST i Fashion-MNIST, on obtenim distàncies de Fréchet Inception de 3.86 i 7.64, respectivament.
Descripció
Treballs Finals de Grau de Matemàtiques, Facultat de Matemàtiques, Universitat de Barcelona, Any: 2026, Director: Jordi Vitrià Marca
Recurs relacionat
Citació
Citació
YAO CHEN, Xu. Image Generation via Drifting. [consulted: 5 of November of 2026]. Available at: https://hdl.handle.net/2445/232187