論文の概要: Divide-and-Conquer Posterior Sampling for Denoising Diffusion Priors

• arxiv url: http://arxiv.org/abs/2403.11407v2
• Date: Mon, 11 Nov 2024 15:31:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:05:54.204045
• Title: Divide-and-Conquer Posterior Sampling for Denoising Diffusion Priors
• Title（参考訳）: 拡散前処理のための分極・コンカレント後方サンプリング
• Authors: Yazid Janati, Badr Moufad, Alain Durmus, Eric Moulines, Jimmy Olsson,
• Abstract要約: 提案手法は, 分割・分散型後方サンプリング方式である。 これにより、再トレーニングを必要とせずに、現在のテクニックに関連する近似誤差を低減することができる。 ベイズ逆問題に対するアプローチの汎用性と有効性を示す。
• 参考スコア（独自算出の注目度）: 21.0128625037708
• License:
• Abstract: Recent advancements in solving Bayesian inverse problems have spotlighted denoising diffusion models (DDMs) as effective priors. Although these have great potential, DDM priors yield complex posterior distributions that are challenging to sample. Existing approaches to posterior sampling in this context address this problem either by retraining model-specific components, leading to stiff and cumbersome methods, or by introducing approximations with uncontrolled errors that affect the accuracy of the produced samples. We present an innovative framework, divide-and-conquer posterior sampling, which leverages the inherent structure of DDMs to construct a sequence of intermediate posteriors that guide the produced samples to the target posterior. Our method significantly reduces the approximation error associated with current techniques without the need for retraining. We demonstrate the versatility and effectiveness of our approach for a wide range of Bayesian inverse problems. The code is available at \url{https://github.com/Badr-MOUFAD/dcps}
• Abstract（参考訳）: ベイズ逆問題の解法における最近の進歩は、効果的な先行モデルとしてデノナイジング拡散モデル (DDM) を際立たせている。 これらは大きな可能性を秘めているが、DDM先行はサンプリングが困難である複雑な後部分布を生成する。 この文脈において、既存の後方サンプリングのアプローチは、モデル固有のコンポーネントを再訓練し、硬くやっかいな方法をもたらすか、あるいは、生成したサンプルの精度に影響を与える未制御のエラーを伴う近似を導入することでこの問題に対処する。 本稿では, DDMの固有構造を利用して, 生成したサンプルを対象後部へ誘導する中間後部列を構成する, 革新的なフレームワークである分別/分母後部サンプリングを提案する。 提案手法は, 再学習を必要とせず, 従来の手法による近似誤差を大幅に低減する。 ベイズ逆問題に対するアプローチの汎用性と有効性を示す。 コードは \url{https://github.com/Badr-MOUFAD/dcps} で入手できる。

関連論文リスト

• Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
  逆問題の解法として, 後方分布からのサンプルの変分推論手法を提案する。 本手法はユークリッド空間の標準信号や多様体上の信号に適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-07-25T09:53:12Z)
• Diffusion Prior-Based Amortized Variational Inference for Noisy Inverse Problems [12.482127049881026]
  そこで本稿では, 償却変分推論の観点から, 拡散による逆問題の解法を提案する。 我々の償却推論は、測定結果を対応するクリーンデータの暗黙の後方分布に直接マッピングする関数を学習し、未知の計測でも単一ステップの後方サンプリングを可能にする。
  論文  参考訳（メタデータ） (2024-07-23T02:14:18Z)
• Principled Probabilistic Imaging using Diffusion Models as Plug-and-Play Priors [29.203951468436145]
  拡散モデル(DM)は、最近、複雑な画像分布をモデル化する際、優れた機能を示した。 一般的な逆問題に対する後続サンプリングを行うマルコフ連鎖モンテカルロアルゴリズムを提案する。 提案手法の有効性を6つの逆問題に適用した。
  論文  参考訳（メタデータ） (2024-05-29T05:42:25Z)
• Improving Diffusion Models for Inverse Problems Using Optimal Posterior Covariance [52.093434664236014]
  近年の拡散モデルは、特定の逆問題に対して再訓練することなく、ノイズの多い線形逆問題に対する有望なゼロショット解を提供する。 この発見に触発されて、我々は、最大推定値から決定されるより原理化された共分散を用いて、最近の手法を改善することを提案する。
  論文  参考訳（メタデータ） (2024-02-03T13:35:39Z)
• Solving Linear Inverse Problems Provably via Posterior Sampling with Latent Diffusion Models [98.95988351420334]
  本稿では,事前学習した潜在拡散モデルを利用した線形逆問題の解法を初めて提案する。 線形モデル設定において,証明可能なサンプル回復を示すアルゴリズムを理論的に解析する。
  論文  参考訳（メタデータ） (2023-07-02T17:21:30Z)
• 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)
• Diffusion Posterior Sampling for General Noisy Inverse Problems [50.873313752797124]
  我々は、後方サンプリングの近似により、雑音(非線形)逆問題に対処するために拡散解法を拡張した。 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)
• Solving Inverse Problems with a Flow-based Noise Model [100.18560761392692]
  本研究では,従来の正規化フローを用いた画像逆問題について検討する。 我々の定式化は、この解を測定値に条件付けされた画像の最大後値推定とみなす。 提案手法の様々な逆問題に対する有効性について実験的に検証した。
  論文  参考訳（メタデータ） (2020-03-18T08:33:49Z)

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。