論文の概要: Training-free Linear Image Inversion via Flows
- arxiv url: http://arxiv.org/abs/2310.04432v1
- Date: Mon, 25 Sep 2023 22:13:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-15 14:48:55.196037
- Title: Training-free Linear Image Inversion via Flows
- Title(参考訳): 流路による無訓練線形画像インバージョン
- Authors: Ashwini Pokle, Matthew J. Muckley, Ricky T. Q. Chen, Brian Karrer
- Abstract要約: 本研究では,事前学習フローモデルを用いた画像インバージョンのためのトレーニング不要な手法を提案する。
提案手法では, ノイズの多い線形画像の逆問題に対して, 問題固有のチューニングは不要である。
- 参考スコア(独自算出の注目度): 17.291903204982326
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Training-free linear inversion involves the use of a pretrained generative
model and -- through appropriate modifications to the generation process --
solving inverse problems without any finetuning of the generative model. While
recent prior methods have explored the use of diffusion models, they still
require the manual tuning of many hyperparameters for different inverse
problems. In this work, we propose a training-free method for image inversion
using pretrained flow models, leveraging the simplicity and efficiency of Flow
Matching models, using theoretically-justified weighting schemes and thereby
significantly reducing the amount of manual tuning. In particular, we draw
inspiration from two main sources: adopting prior gradient correction methods
to the flow regime, and a solver scheme based on conditional Optimal Transport
paths. As pretrained diffusion models are widely accessible, we also show how
to practically adapt diffusion models for our method. Empirically, our approach
requires no problem-specific tuning across an extensive suite of noisy linear
image inversion problems on high-dimensional datasets, ImageNet-64/128 and
AFHQ-256, and we observe that our flow-based method for image inversion
significantly improves upon closely-related diffusion-based linear inversion
methods.
- Abstract(参考訳): トレーニングフリーの線形反転は、事前訓練された生成モデルの使用と、生成過程を適切に修正することで、生成モデルの微調整なしに逆問題を解くことを伴う。
最近の手法では拡散モデルの利用が検討されているが、異なる逆問題に対して多くのハイパーパラメータを手動でチューニングする必要がある。
そこで本研究では,事前学習フローモデルを用いた画像インバージョンのためのトレーニングフリーな手法を提案し,フローマッチングモデルの単純さと効率を活かし,理論的な重み付けスキームを用い,手作業によるチューニング量を大幅に削減する。
特に、フローレシエーションに事前勾配補正法を採用することと、条件付き最適輸送経路に基づく解法スキームの2つの主要な情報源からインスピレーションを得ている。
また, 事前学習した拡散モデルが広く利用できるため, 拡散モデルを効果的に適用する方法を示す。
提案手法は,高次元データセットであるImageNet-64/128とAFHQ-256において,広範にノイズの多い線形画像インバージョン問題に対して,問題固有のチューニングを必要としない。
関連論文リスト
- Improving Diffusion Models for Inverse Problems Using Optimal Posterior
Covariance [54.70569748637465]
最近の拡散モデルは、ノイズのある線形逆問題に対する有望なゼロショット解を提供する。
既存のゼロショット法に対する最初の統一的解釈を提案する。
近年の手法は, 等方性ガウス近似を導出可能な後部分布に置き換えることと等価であることを示す。
論文 参考訳(メタデータ) (2024-02-03T13:35:39Z) - Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。
特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
論文 参考訳(メタデータ) (2023-11-22T15:07:59Z) - Unsupervised Discovery of Interpretable Directions in h-space of
Pre-trained Diffusion Models [63.1637853118899]
本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。
我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。
それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
論文 参考訳(メタデータ) (2023-10-15T18:44:30Z) - Prompt-tuning latent diffusion models for inverse problems [72.13952857287794]
本稿では,テキストから画像への遅延拡散モデルを用いた逆問題の画像化手法を提案する。
P2Lと呼ばれる本手法は,超解像,デブロアリング,インパインティングなどの様々なタスクにおいて,画像拡散モデルと潜時拡散モデルに基づく逆問題解法の両方に優れる。
論文 参考訳(メタデータ) (2023-10-02T11:31:48Z) - Solving Inverse Problems with Latent Diffusion Models via Hard Data Consistency [7.671153315762146]
画素空間におけるトレーニング拡散モデルは、データ集約的かつ計算的に要求される。
非常に低次元空間で動作する潜在拡散モデルは、これらの課題に対する解決策を提供する。
我々は,事前学習した潜在拡散モデルを用いて,一般的な逆問題を解決するアルゴリズムであるtextitReSampleを提案する。
論文 参考訳(メタデータ) (2023-07-16T18:42:01Z) - 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) - JPEG Artifact Correction using Denoising Diffusion Restoration Models [110.1244240726802]
本稿では,DDRM(Denoising Diffusion Restoration Models)に基づいて,非線形逆問題の解法を提案する。
我々は、DDRMで使用される擬逆演算子を活用し、この概念を他の測度演算子に一般化する。
論文 参考訳(メタデータ) (2022-09-23T23:47:00Z)
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。