論文の概要: Trumpets: Injective Flows for Inference and Inverse Problems

• arxiv url: http://arxiv.org/abs/2102.10461v1
• Date: Sat, 20 Feb 2021 22:37:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-23 15:11:56.624584
• Title: Trumpets: Injective Flows for Inference and Inverse Problems
• Title（参考訳）: Trumpets:推論と逆問題のためのインジェクティブフロー
• Authors: Konik Kothari, AmirEhsan Khorashadizadeh, Maarten de Hoop, Ivan Dokmani\'c
• Abstract要約: 非可逆正規化フローを一般化するTrumpetsと呼ばれる注射生成モデルを提案する。 我々は,トランペットを標準流よりも桁違いに訓練でき,同等あるいは優れた音質のサンプルが得られることを実証する。
• 参考スコア（独自算出の注目度）: 25.16724729361165
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose injective generative models called Trumpets that generalize invertible normalizing flows. The proposed generators progressively increase dimension from a low-dimensional latent space. We demonstrate that Trumpets can be trained orders of magnitudes faster than standard flows while yielding samples of comparable or better quality. They retain many of the advantages of the standard flows such as training based on maximum likelihood and a fast, exact inverse of the generator. Since Trumpets are injective and have fast inverses, they can be effectively used for downstream Bayesian inference. To wit, we use Trumpet priors for maximum a posteriori estimation in the context of image reconstruction from compressive measurements, outperforming competitive baselines in terms of reconstruction quality and speed. We then propose an efficient method for posterior characterization and uncertainty quantification with Trumpets by taking advantage of the low-dimensional latent space.
• Abstract（参考訳）: 非可逆正規化フローを一般化するTrumpetsと呼ばれる注射生成モデルを提案する。 提案する生成器は低次元の潜在空間から徐々に次元を増加させる。 我々は,トランペットを標準流よりも桁違いに訓練でき,同等あるいは優れた音質のサンプルが得られることを実証する。 最大可能性に基づくトレーニングや発電機の高速で正確な逆流など、標準フローの利点の多くを保持しています。 トランペットは射出性があり、高速な逆数を持つため、下流のベイズ推論に効果的に使用できる。 ここでは, 圧縮計測による画像再構成の文脈において, 最大後部推定にTrumpetプレジデントを用い, 再現品質と速度の点で, 競争ベースラインを上回った。 そこで我々は,低次元潜在空間を生かして,Trumpetを用いた後部評価と不確実性定量化の効率的な方法を提案する。

関連論文リスト

• Parallel Backpropagation for Inverse of a Convolution with Application to Normalizing Flows [2.048226951354646]
  非可逆的畳み込みの逆は、正規化フローで現れる重要な操作である。 正方形画像に対して,動作時間$O(sqrtn)$の高速並列バックプロパゲーションアルゴリズムを提案する。 従来のモデルと比較して,次元毎に類似したビットでサンプリング時間を大幅に改善した。
  論文  参考訳（メタデータ） (2024-10-18T17:35:33Z)
• Sampling the lattice Nambu-Goto string using Continuous Normalizing Flows [49.1574468325115]
  ESTはヤン・ミルズ理論における閉じ込めを記述するための強力な非摂動的アプローチである。 そこで本研究では,新しい階層の深部生成モデルを用いることで,EST予測の信頼性の高い数値推定値が得られることを示す。
  論文  参考訳（メタデータ） (2023-07-03T15:34:36Z)
• Debiased Fine-Tuning for Vision-language Models by Prompt Regularization [50.41984119504716]
  本稿では,Prompt Regularization(ProReg)と呼ばれる下流タスクにおける大規模視覚事前訓練モデルの微調整のための新しいパラダイムを提案する。 ProRegは、事前訓練されたモデルに微調整を正規化するよう促すことで予測を使用する。 本稿では,従来の微調整,ゼロショットプロンプト,プロンプトチューニング,その他の最先端手法と比較して,ProRegの性能が一貫して高いことを示す。
  論文  参考訳（メタデータ） (2023-01-29T11:53:55Z)
• Deep Variational Inverse Scattering [18.598311270757527]
  逆媒体散乱解法は一般に、関連する不確実性の尺度なしで単一の解を再構成する。 条件正規化フローのような深いネットワークは、逆問題の後部をサンプリングするのに使うことができる。 条件付き正規化フローに基づくベイズ的U-NetであるU-Flowを提案し,高品質な後続サンプルを生成し,物理的に有意な不確かさを推定する。
  論文  参考訳（メタデータ） (2022-12-08T14:57:06Z)
• Diffusion Posterior Sampling for General Noisy Inverse Problems [50.873313752797124]
  我々は、後方サンプリングの近似により、雑音(非線形)逆問題に対処するために拡散解法を拡張した。 本手法は,拡散モデルが様々な計測ノイズ統計を組み込むことができることを示す。
  論文  参考訳（メタデータ） (2022-09-29T11:12:27Z)
• Score-Guided Intermediate Layer Optimization: Fast Langevin Mixing for Inverse Problem [97.64313409741614]
  ランダム重み付きDNNジェネレータを反転させるため,Langevinアルゴリズムの定常分布を高速に混合し,特徴付ける。 本稿では,事前学習した生成モデルの潜時空間における後部サンプリングを提案する。
  論文  参考訳（メタデータ） (2022-06-18T03:47:37Z)
• Improving Diffusion Models for Inverse Problems using Manifold Constraints [55.91148172752894]
  我々は,現在の解法がデータ多様体からサンプルパスを逸脱し,エラーが蓄積することを示す。 この問題に対処するため、多様体の制約に着想を得た追加の補正項を提案する。 本手法は理論上も経験上も従来の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-02T09:06:10Z)
• Funnels: Exact maximum likelihood with dimensionality reduction [6.201770337181472]
  我々は、SurVAEフレームワークを使用して、ファンネルと呼ばれる新しい層を介して、サージェクティブフローを減らす次元を構築する。 提案手法の有効性を様々なデータセットで示すとともに,既存のフローの性能を向上または一致させるとともに,遅延空間サイズを小さくすることを示す。
  論文  参考訳（メタデータ） (2021-12-15T12:20:25Z)
• Generative Flows as a General Purpose Solution for Inverse Problems [0.0]
  高確率再構成を直接生成する正規化項を提案する。 画像のデノイング、画像のデブロアリング、画像のインペインティング、画像のカラー化について評価を行った。
  論文  参考訳（メタデータ） (2021-10-25T21:56:44Z)
• SurVAE Flows: Surjections to Bridge the Gap between VAEs and Flows [78.77808270452974]
  SurVAE Flowsは、VAEと正規化フローを含む構成可能な変換のためのモジュラーフレームワークである。 提案手法は,SurVAE フローとして表現できることが示唆された。
  論文  参考訳（メタデータ） (2020-07-06T13:13:22Z)
• Normalizing Flows Across Dimensions [10.21537170623373]
  我々は、次元をまたぐことができる正規化フローの一般化であるノイズ注入流(NIF)を導入する。 NIF は射影変換を用いて高次元データ空間内の学習可能な多様体にラテント空間を明示的にマッピングする。 実験により,本手法を既存のフローアーキテクチャに適用することにより,サンプルの品質を著しく向上し,分離可能なデータ埋め込みが得られることを示す。
  論文  参考訳（メタデータ） (2020-06-23T14:47:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。