Fugu-MT 論文翻訳(概要): How Good Are Deep Generative Models for Solving Inverse Problems?

論文の概要: How Good Are Deep Generative Models for Solving Inverse Problems?

arxiv url: http://arxiv.org/abs/2312.12691v1
Date: Wed, 20 Dec 2023 01:29:11 GMT
ステータス: 処理完了
システム内更新日: 2023-12-21 17:13:16.944108
Title: How Good Are Deep Generative Models for Solving Inverse Problems?
Title（参考訳）: 逆問題の解法における深部生成モデルはどの程度優れているか?
Authors: Shichong Peng, Alireza Moazeni, Ke Li
Abstract要約: 拡散モデル、GAN、IMLEといった深層生成モデルは、逆問題に対処する優れた能力を示している。本研究では,3つの逆問題に対して,近年の拡散法,GAN法,IMLE法について検討した。
参考スコア（独自算出の注目度）: 7.234618871984921
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep generative models, such as diffusion models, GANs, and IMLE, have shown impressive capability in tackling inverse problems. However, the validity of model-generated solutions w.r.t. the forward problem and the reliability of associated uncertainty estimates remain understudied. This study evaluates recent diffusion-based, GAN-based, and IMLE-based methods on three inverse problems, i.e., $16\times$ super-resolution, colourization, and image decompression. We assess the validity of these models' outputs as solutions to the inverse problems and conduct a thorough analysis of the reliability of the models' estimates of uncertainty over the solution. Overall, we find that the IMLE-based CHIMLE method outperforms other methods in terms of producing valid solutions and reliable uncertainty estimates.
Abstract（参考訳）: 拡散モデル、GAN、IMLEといった深層生成モデルは、逆問題に対処する優れた能力を示している。しかしながら、モデル生成解の妥当性、前方問題、関連する不確実性推定の信頼性は未定である。本研究は, 拡散法, GAN法, IMLE法を3つの逆問題(超解像法, カラー化法, 画像圧縮法)で評価した。これらのモデルのアウトプットの妥当性を逆問題に対する解として評価し,その解に対する不確実性推定の信頼性を徹底的に分析する。全体として,IMLEに基づくCHIMLE法は,有効解の生成や信頼性の高い不確実性推定において,他の手法よりも優れていることがわかった。

関連論文リスト

A Survey on Diffusion Models for Inverse Problems [110.6628926886398]
本稿では, 事前学習した拡散モデルを用いて, さらなる学習を必要とせず, 逆問題の解法について概説する。逆問題に対する潜伏拡散モデルの使用に伴う具体的な課題と潜在的な解決策について論じる。
論文参考訳（メタデータ） (2024-09-30T17:34:01Z)
Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
論文参考訳（メタデータ） (2024-08-20T19:06:02Z)
Stability and Generalizability in SDE Diffusion Models with Measure-Preserving Dynamics [11.919291977879801]
逆問題では、測定やデータから因果因子を推定する過程を記述する。拡散モデルは、逆問題を解決する強力な生成ツールとして期待されている。
論文参考訳（メタデータ） (2024-06-19T15:55:12Z)
Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
論文参考訳（メタデータ） (2023-12-07T15:55:58Z)
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)
Model-Free Robust Average-Reward Reinforcement Learning [25.125481838479256]
我々は,モデルフリーの反復設定の下で,ロバストな平均回帰MDPに着目した。我々は2つのモデルフリーアルゴリズム、ロバスト相対値(RVI)TDとロバスト相対値(RVI)Q-ラーニングを設計し、理論的に最適解への収束性を証明した。
論文参考訳（メタデータ） (2023-05-17T18:19:23Z)
Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
論文参考訳（メタデータ） (2022-01-04T08:30:09Z)
A Multi-objective Evolutionary Algorithm for EEG Inverse Problem [0.0]
本稿では,脳波逆問題に対する多目的アプローチを提案する。この問題の特徴から、この代替案にはそれを解決するための進化戦略が含まれていた。その結果、分散ソリューションを推定するために、MOEAAR(Anatomical Restrictions)に基づく多目的進化的アルゴリズムが得られた。
論文参考訳（メタデータ） (2021-07-21T19:37:27Z)
Towards a Better Understanding of Linear Models for Recommendation [28.422943262159933]
2つの基本回帰および行列分解法に対する閉形式解の導出と解析を行う。閉形式解に対するパラメータ(ハイパーパラメータ)の探索に新しい学習アルゴリズムを導入する。実験の結果、基本モデルとその閉形式解は、確かに最先端モデルと非常に競合することを示した。
論文参考訳（メタデータ） (2021-05-27T04:17:04Z)
Stein Variational Model Predictive Control [130.60527864489168]
不確実性の下での意思決定は、現実の自律システムにとって極めて重要である。モデル予測制御 (MPC) 法は, 複雑な分布を扱う場合, 適用範囲が限られている。この枠組みが、挑戦的で非最適な制御問題における計画の成功に繋がることを示す。
論文参考訳（メタデータ） (2020-11-15T22:36:59Z)
Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文参考訳（メタデータ） (2020-07-21T08:18:06Z)

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。