生成モデル誘導2026/10/29arXiv:2610.39825

AegisFlow: 学習不要の非近視眼的経路安全誘導フローマッチング

AegisFlow: Training-Free Non-Myopic Path-Safe Guided Flow Matching

拡散・フローマッチング生成を安全制約付き最適制御問題として定式化し、時間変化バリア関数を大域コストに組み込むことで経路全体の制約を満たす学習不要の誘導手法を提案。画像編集とロボット計画で有効性を示した。

詳しい要約

1. どんなもの？

- Pretrained generative models（diffusion / flow matching）の生成軌道を、訓練なしで制約（画像編集の identity preservation、ロボティクスの obstacle avoidance 等）に沿わせる guidance 手法。 - 提案は AegisFlow と呼ばれる training-free な path-safe guidance framework。 - 生成を safety-critical optimal control 問題として再定式化し、軌道全体で制約を課す。

2. 先行研究と比べてどこがすごい？

- 既存の training-free guidance は path-safety を課すものの、min-norm controllers に依存し即時の制約充足のみ考慮する myopic な手法。 - その結果、境界近くを危険に漂う suboptimal な軌道になり、target への最適化が制限される。 - AegisFlow は non-myopic かつ global scope の optimal control として扱い、この問題を克服する点が新しい。

3. 技術・手法の肝は？

- guided generation を safety-critical optimal control problem として定式化。 - time-varying barrier function を global cost functional に直接組み込み、生成経路全体で制約を自然に強制。 - 大域最適制御を計算するため、Hamilton-Jacobi-Bellman (HJB) equation の tractable かつ数学的に根拠のある近似を導出。

4. どうやって有効だと検証した？

- text-guided image manipulation と robotic planning の両タスクで包括的な実験を実施。 - state-of-the-art 手法と比較し、AegisFlow が優れることを示す。 - target alignment と constraint satisfaction のトレードオフを大幅に改善したと報告。

5. 議論はある？

- 要旨からは不明（HJB 近似の誤差や計算コスト、制約設計の一般性に関する議論は要旨に記載なし）。 - 実験で target alignment と constraint satisfaction のトレードオフ改善を主張している点のみ確認できる。

6. 次に読むべき論文は？

- 比較対象として言及される training-free guidance の min-norm controllers 系研究。 - diffusion / flow matching の guidance 手法（classifier guidance 等の一般名）。 - safety-critical optimal control における Hamilton-Jacobi-Bellman (HJB) 近似や barrier function を用いた制約強制の関連研究。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Kunpeng Liu, Boshi Zhang, Keyou You

分類: cs.AI

原文アブストラクト

Pretrained generative models, such as diffusion and flow matching models, have demonstrated exceptional capabilities in synthesizing high-quality data. However, steering their generative trajectories to satisfy strict constraints--such as identity preservation in image editing or obstacle avoidance in robotics--remains fundamentally challenging. While recent training-free guidance methods enforce path-safety, they rely heavily on min-norm controllers that only account for immediate constraint satisfaction. These myopic approaches often yield suboptimal trajectories that hover dangerously close to the boundary, severely restricting the model's ability to optimize toward its target. In this paper, we propose AegisFlow, a training-free, non-myopic path-safe guidance framework that recasts guided generation as a safety-critical optimal control problem with global scope. By integrating a time-varying barrier function directly into the global cost functional, AegisFlow naturally enforces constraints along the entire generative path. To compute the global optimal control, we derive a tractable, mathematically grounded approximation of the Hamilton-Jacobi-Bellman (HJB) equation. Comprehensive experiments demonstrate that AegisFlow outperforms state-of-the-art methods across text-guided image manipulation and robotic planning, establishing a significantly better trade-off between target alignment and constraint satisfaction. Code is available at https://github.com/LiuKunpeng03/AegisFlow.

arXivで原文を読む →arXiv概要ページ

← 論文一覧