論文の概要: Score-Based Diffusion Models as Principled Priors for Inverse Imaging
- arxiv url: http://arxiv.org/abs/2304.11751v1
- Date: Sun, 23 Apr 2023 21:05:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 16:37:31.415800
- Title: Score-Based Diffusion Models as Principled Priors for Inverse Imaging
- Title(参考訳): 逆イメージングの原理的前提としてのスコアベース拡散モデル
- Authors: Berthy T. Feng, Jamie Smith, Michael Rubinstein, Huiwen Chang,
Katherine L. Bouman, William T. Freeman
- Abstract要約: 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。
以上の結果から,より高度なデータ駆動画像により,スコアに基づく事前推定が原理的推論を可能にすることが示唆された。
- 参考スコア(独自算出の注目度): 34.161516065682754
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is important in computational imaging to understand the uncertainty of
images reconstructed from imperfect measurements. We propose turning
score-based diffusion models into principled priors (``score-based priors'')
for analyzing a posterior of images given measurements. Previously,
probabilistic priors were limited to handcrafted regularizers and simple
distributions. In this work, we empirically validate the theoretically-proven
probability function of a score-based diffusion model. We show how to sample
from resulting posteriors by using this probability function for variational
inference. Our results, including experiments on denoising, deblurring, and
interferometric imaging, suggest that score-based priors enable principled
inference with a sophisticated, data-driven image prior.
- Abstract(参考訳): 不完全な測定から再構成された画像の不確かさを理解することは計算イメージングにおいて重要である。
そこで我々は,スコアベース拡散モデルを用いて,評価した画像の後部を解析する原理的先行値(`score-based priors'')を提案する。
以前は確率的先行は手作りの正規化器と単純な分布に限られていた。
本研究では,スコアベース拡散モデルの理論的に証明された確率関数を実験的に検証する。
この確率関数を変分推論に用いて、結果の後方から標本を採取する方法を示す。
以上の結果から,より高度なデータ駆動画像により,スコアに基づく事前推定が原理的推論を可能にすることが示唆された。
関連論文リスト
- Provably Robust Score-Based Diffusion Posterior Sampling for Plug-and-Play Image Reconstruction [31.503662384666274]
科学と工学において、ゴールは、既知のフォワードモデルから収集された少数の測定値から未知の画像を推測することである。
スコアベースの拡散モデルは、その印象的な経験的成功により、画像に現れる表現の正規候補として現れている。
論文 参考訳(メタデータ) (2024-03-25T15:58:26Z) - Projection Regret: Reducing Background Bias for Novelty Detection via
Diffusion Models [72.07462371883501]
本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。
PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。
拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
論文 参考訳(メタデータ) (2023-12-05T09:44:47Z) - Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。
我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。
限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
論文 参考訳(メタデータ) (2023-11-30T18:59:44Z) - Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳(メタデータ) (2023-10-20T10:20:45Z) - 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) - Posterior samples of source galaxies in strong gravitational lenses with
score-based priors [107.52670032376555]
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。
論文 参考訳(メタデータ) (2022-11-07T19:00:42Z) - On Maximum-a-Posteriori estimation with Plug & Play priors and
stochastic gradient descent [13.168923974530307]
画像問題の解法は、通常、明示的なデータ可能性関数と、その解の明確な期待特性とを結合する。
明示的なモデリングから離れて、画像復調アルゴリズムによって定義された暗黙の先行値の使用について、いくつかの最近の研究が提案され、研究されている。
論文 参考訳(メタデータ) (2022-01-16T20:50:08Z) - PriorGrad: Improving Conditional Denoising Diffusion Models with
Data-Driven Adaptive Prior [103.00403682863427]
条件拡散モデルの効率を改善するために, PreGrad を提案する。
PriorGradはデータとパラメータの効率を向上し、品質を向上する。
論文 参考訳(メタデータ) (2021-06-11T14:04:03Z) - 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。