論文の概要: Score-Based Diffusion Models as Principled Priors for Inverse Imaging
- arxiv url: http://arxiv.org/abs/2304.11751v2
- Date: Mon, 28 Aug 2023 22:38:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 18:27:51.270491
- 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,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。
- 参考スコア(独自算出の注目度): 46.19536250098105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Priors are essential for reconstructing images from noisy and/or incomplete
measurements. The choice of the prior determines both the quality and
uncertainty of recovered images. We propose turning score-based diffusion
models into principled image 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): 前者はノイズや不完全な測定から画像の再構成に不可欠である。
前者の選択は、回収された画像の品質と不確実性の両方を決定する。
そこで本稿では,スコアに基づく拡散モデルを原理的画像プリエント(score-based priors)に変換し,計測結果の後方を解析する。
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
- 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 Pixel-Level Semantic
Prediction [93.35493328885372]
我々は、画素レベルのセマンティック予測タスクの先行として、事前訓練されたT2Iモデルを導入する。
我々は一連の実験を通して拡散過程を再構成し、入力されたRGB画像と出力予測分布との決定論的マッピングを確立する。
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) - Poisson-Gaussian Holographic Phase Retrieval with Score-based Image
Prior [19.231581775644617]
本稿では,スコア関数を先行生成関数とする高速化されたWirtinger Flow (AWF) を用いた新しいアルゴリズム"AWFS"を提案する。
PRの対数様関数の勾配を計算し、リプシッツ定数を決定する。
本稿では,提案アルゴリズムの臨界点収束保証を確立する理論的解析を行う。
論文 参考訳(メタデータ) (2023-05-12T18:08:47Z) - 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。