論文の概要: Regularization by Texts for Latent Diffusion Inverse Solvers
- arxiv url: http://arxiv.org/abs/2311.15658v1
- Date: Mon, 27 Nov 2023 09:40:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 16:28:18.421262
- Title: Regularization by Texts for Latent Diffusion Inverse Solvers
- Title(参考訳): 潜在拡散逆解法のためのテキストによる正則化
- Authors: Jeongsol Kim, Geon Yeong Park, Hyungjin Chung, Jong Chul Ye
- Abstract要約: テキストによる正規化(TReg)を取り入れた新しい潜伏拡散逆解法を提案する。
具体的には、TRegは、逆サンプリングフェーズにおける解の先入観をテキストで記述する。
包括的実験の結果,TRegは潜伏拡散逆解法における曖昧さを軽減できた。
- 参考スコア(独自算出の注目度): 61.15322934427855
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The recent advent of diffusion models has led to significant progress in
solving inverse problems, leveraging these models as effective generative
priors. Nonetheless, challenges related to the ill-posed nature of such
problems remain, often due to inherent ambiguities in measurements. Drawing
inspiration from the human ability to resolve visual ambiguities through
perceptual biases, here we introduce a novel latent diffusion inverse solver by
incorporating regularization by texts (TReg). Specifically, TReg applies the
textual description of the preconception of the solution during the reverse
sampling phase, of which description isndynamically reinforced through
null-text optimization for adaptive negation. Our comprehensive experimental
results demonstrate that TReg successfully mitigates ambiguity in latent
diffusion inverse solvers, enhancing their effectiveness and accuracy.
- Abstract(参考訳): 近年の拡散モデルの出現は、これらのモデルを効果的な生成先行として活用し、逆問題の解決に大きな進歩をもたらした。
それにもかかわらず、そのような問題の不適切な性質に関する課題は、しばしば測定の固有の曖昧さのために残されている。
本稿では,知覚バイアスによる視覚の曖昧さを解決する人間の能力からインスピレーションを得て,テキストによる正規化(treg)を組み込んだ新しい潜在拡散逆解法を提案する。
具体的には、tregは逆サンプリングフェーズ中に解の先入観のテキスト記述を適用し、その記述は適応否定のためのヌルテキスト最適化によって動的に強化される。
包括的実験の結果,TRegは潜伏拡散逆解法における曖昧さを軽減し,その有効性と精度を高めた。
関連論文リスト
- Debiasing Text-to-Image Diffusion Models [84.46750441518697]
学習ベースのテキスト・トゥ・イメージ(TTI)モデルは、さまざまなドメインで視覚コンテンツを生成する方法に革命をもたらした。
近年の研究では、現在最先端のTTIシステムに非無視的な社会的バイアスが存在することが示されている。
論文 参考訳(メタデータ) (2024-02-22T14:33:23Z) - Text Diffusion with Reinforced Conditioning [92.17397504834825]
本稿では,テキスト拡散モデルを完全に解析し,トレーニング中の自己条件の劣化と,トレーニングとサンプリングのミスアライメントの2つの重要な限界を明らかにする。
そこで本研究では, TRECと呼ばれる新しいテキスト拡散モデルを提案する。
論文 参考訳(メタデータ) (2024-02-19T09:24:02Z) - 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) - Denoising Diffusion Variational Inference: Diffusion Models as
Expressive Variational Posteriors [12.380863420871071]
DDVIは、フレキシブルな変動後部として拡散モデルに依存する潜在変数モデルの近似推論アルゴリズムである。
DDVIは、ヒトゲノムから潜伏する祖先を推定する生物学のモチベーションタスクで使われており、数千のゲノムデータセットの強いベースラインを上回ります。
論文 参考訳(メタデータ) (2024-01-05T10:27:44Z) - Convex Latent-Optimized Adversarial Regularizers for Imaging Inverse
Problems [8.33626757808923]
本稿では,新しいデータ駆動型パラダイムであるConvex Latent-d Adrial Regularizers (CLEAR)を紹介する。
CLEARは、ディープラーニング(DL)と変分正規化の融合を表す。
本手法は従来型のデータ駆動手法と従来型の正規化手法を一貫して上回っている。
論文 参考訳(メタデータ) (2023-09-17T12:06:04Z) - Solving Inverse Problems with Latent Diffusion Models via Hard Data
Consistency [8.128475421154405]
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) - Variational Laplace Autoencoders [53.08170674326728]
変分オートエンコーダは、遅延変数の後部を近似するために、償却推論モデルを用いる。
完全分解ガウス仮定の限定的後部表現性に対処する新しい手法を提案する。
また、深部生成モデルのトレーニングのための変分ラプラスオートエンコーダ(VLAE)という一般的なフレームワークも提示する。
論文 参考訳(メタデータ) (2022-11-30T18:59:27Z) - Diffusion Posterior Sampling for General Noisy Inverse Problems [33.343489006271255]
我々は拡散解法を拡張し、後方サンプリングのラプラス近似を用いて雑音(非線形)逆問題に対処する。
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)
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。