論文の概要: Posterior samples of source galaxies in strong gravitational lenses with
score-based priors
- arxiv url: http://arxiv.org/abs/2211.03812v1
- Date: Mon, 7 Nov 2022 19:00:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 15:52:13.084304
- Title: Posterior samples of source galaxies in strong gravitational lenses with
score-based priors
- Title(参考訳): スコアベース前の強い重力レンズにおける源銀河の後方サンプル
- Authors: Alexandre Adam, Adam Coogan, Nikolay Malkin, Ronan Legin, Laurence
Perreault-Levasseur, Yashar Hezaveh and Yoshua Bengio
- Abstract要約: 我々はスコアベースモデルを用いて、背景銀河の歪みのない画像の事前推定を符号化する。
アウト・オブ・ディストリビューション・データを用いた実験において、可能性と事前のバランスが、我々の期待にどのように合致しているかを示す。
- 参考スコア(独自算出の注目度): 107.52670032376555
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inferring accurate posteriors for high-dimensional representations of the
brightness of gravitationally-lensed sources is a major challenge, in part due
to the difficulties of accurately quantifying the priors. Here, we report the
use of a score-based model to encode the prior for the inference of undistorted
images of background galaxies. This model is trained on a set of
high-resolution images of undistorted galaxies. By adding the likelihood score
to the prior score and using a reverse-time stochastic differential equation
solver, we obtain samples from the posterior. Our method produces independent
posterior samples and models the data almost down to the noise level. We show
how the balance between the likelihood and the prior meet our expectations in
an experiment with out-of-distribution data.
- Abstract(参考訳): 重力レンズの光源の輝度の高次元表現のための正確な後方推定は、事前の正確な定量化が難しいこともあって、大きな課題である。
本稿では、背景銀河の未観測画像の推測に先行する値をエンコードするためのスコアベースモデルの利用について報告する。
このモデルは、歪んだ銀河の高解像度画像に基づいて訓練されている。
確率スコアを前値に加え、逆時間確率微分方程式解法を用いて後値からサンプルを得る。
提案手法は, 独立した後部サンプルを生成し, ほぼノイズレベルまでデータをモデル化する。
分散データを用いた実験で,確率と事前のバランスが期待を満たしていることを示す。
関連論文リスト
- Uncertainty Visualization via Low-Dimensional Posterior Projections [26.26693707762823]
低次元部分空間上のエネルギーベースモデル(EBM)を用いて後部を推定・可視化するための新しいアプローチを提案する。
提案手法の有効性を,多様なデータセットと画像復元問題にまたがって示す。
論文 参考訳(メタデータ) (2023-12-12T23:51:07Z) - Efficient Bayesian Computational Imaging with a Surrogate Score-Based
Prior [8.453791747558673]
本稿では,逆イメージングのためのスコアベース先行値の効率的な利用を目的としたサロゲート関数を提案する。
我々の研究は、スコアベース拡散モデルを画像の汎用的先駆体として活用するための実践的な道筋を確立する。
論文 参考訳(メタデータ) (2023-09-05T04:55:10Z) - Solving Linear Inverse Problems Provably via Posterior Sampling with
Latent Diffusion Models [98.95988351420334]
本稿では,事前学習した潜在拡散モデルを利用した線形逆問題の解法を初めて提案する。
線形モデル設定において,証明可能なサンプル回復を示すアルゴリズムを理論的に解析する。
論文 参考訳(メタデータ) (2023-07-02T17:21:30Z) - A Variational Perspective on Solving Inverse Problems with Diffusion
Models [101.831766524264]
逆タスクは、データ上の後続分布を推測するものとして定式化することができる。
しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。
そこで我々は,真の後続分布を近似する設計手法を提案する。
論文 参考訳(メタデータ) (2023-05-07T23:00:47Z) - Score-Based Diffusion Models as Principled Priors for Inverse Imaging [46.19536250098105]
本稿では,スコアに基づく拡散モデルを原理化された画像優先モデルに変換することを提案する。
本稿では, この確率関数を変分推論に用いることにより, 後部から試料を抽出する方法を示す。
論文 参考訳(メタデータ) (2023-04-23T21:05:59Z) - Instance-Optimal Compressed Sensing via Posterior Sampling [101.43899352984774]
後部サンプリング推定器がほぼ最適回復保証を達成できることを示す。
本稿では,Langevin dynamics を用いた深部生成前駆体の後方サンプリング推定器を実装し,MAP よりも精度の高い推定値が得られることを実証的に見出した。
論文 参考訳(メタデータ) (2021-06-21T22:51:56Z) - Learning by example: fast reliability-aware seismic imaging with
normalizing flows [0.76146285961466]
本研究では, 近隣調査から得られた地震データから, 後方分布を安価にサンプリングできる正規化流(NF)を訓練する。
これらのサンプルを用いて,画像の信頼性に関する最初の評価を含む高忠実度画像の計算を行う。
論文 参考訳(メタデータ) (2021-04-13T15:13:45Z) - A Contrastive Learning Approach for Training Variational Autoencoder
Priors [137.62674958536712]
変分オートエンコーダ(VAE)は、多くの領域で応用される強力な可能性に基づく生成モデルの一つである。
VAEsが生成性に乏しいことの1つの説明は、事前の分布が集合の近似的な後部と一致しないという、事前の穴の問題である。
本研究では, 基底分布の積と再重み付け係数によって定義されるエネルギーベースの事前定義を行い, 基底を集合体後部へ近づけるようにした。
論文 参考訳(メタデータ) (2020-10-06T17:59:02Z) - A deep-learning based Bayesian approach to seismic imaging and
uncertainty quantification [0.4588028371034407]
不確実性は、不条件の逆問題を扱う際に必須である。
未知の知識を正確に符号化する事前分布を定式化することは、しばしば不可能である。
本稿では,無作為な畳み込みニューラルネットワークの機能形式を,前もって暗黙的な構造として利用することを提案する。
論文 参考訳(メタデータ) (2020-01-13T23:46:18Z)
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。