論文の概要: Principled Probabilistic Imaging using Diffusion Models as Plug-and-Play Priors

• arxiv url: http://arxiv.org/abs/2405.18782v2
• Date: Thu, 07 Nov 2024 01:31:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-09 00:49:03.801183
• Title: Principled Probabilistic Imaging using Diffusion Models as Plug-and-Play Priors
• Title（参考訳）: プラグ・アンド・プレイプリミティブとしての拡散モデルを用いた原理的確率的イメージング
• Authors: Zihui Wu, Yu Sun, Yifan Chen, Bingliang Zhang, Yisong Yue, Katherine L. Bouman,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 29.203951468436145
• License:
• Abstract: Diffusion models (DMs) have recently shown outstanding capabilities in modeling complex image distributions, making them expressive image priors for solving Bayesian inverse problems. However, most existing DM-based methods rely on approximations in the generative process to be generic to different inverse problems, leading to inaccurate sample distributions that deviate from the target posterior defined within the Bayesian framework. To harness the generative power of DMs while avoiding such approximations, we propose a Markov chain Monte Carlo algorithm that performs posterior sampling for general inverse problems by reducing it to sampling the posterior of a Gaussian denoising problem. Crucially, we leverage a general DM formulation as a unified interface that allows for rigorously solving the denoising problem with a range of state-of-the-art DMs. We demonstrate the effectiveness of the proposed method on six inverse problems (three linear and three nonlinear), including a real-world black hole imaging problem. Experimental results indicate that our proposed method offers more accurate reconstructions and posterior estimation compared to existing DM-based imaging inverse methods.
• Abstract（参考訳）: 拡散モデル (DM) は, 複雑な画像分布をモデル化する際, ベイジアン逆問題の解法として, 表現力のある画像先行を導出した。 しかし、既存のDMベースの手法の多くは、生成過程の近似に依拠して異なる逆問題に一般化し、ベイズフレームワーク内で定義された対象の後方から逸脱する不正確なサンプル分布をもたらす。 このような近似を避けつつ、DMの生成能力を活用するために、ガウスの擬似問題の後部サンプリングに還元して一般逆問題に対する後部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。 重要なことは、一般のDM定式化を統一インターフェースとして活用することで、最先端のDMを厳格に解決することができる。 提案手法が実世界のブラックホールイメージング問題を含む6つの逆問題(3つの線形問題と3つの非線形問題)に対して有効であることを示す。 実験結果から,提案手法は既存の DM 画像逆解析法と比較して,より高精度な再構成と後方推定が可能であることが示唆された。

関連論文リスト

• 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)
• Divide-and-Conquer Posterior Sampling for Denoising Diffusion Priors [21.51814794909746]
  そこで本研究では,中間的および単純な後続サンプリング問題の集合を定義するために異なるアプローチをとっており,その結果,従来の手法と比較して近似誤差が低い。 合成例と様々な画像復元タスクを用いて,一般線形逆問題に対する提案手法の再構築能力を実証的に実証した。
  論文  参考訳（メタデータ） (2024-03-18T01:47:24Z)
• Ambient Diffusion Posterior Sampling: Solving Inverse Problems with Diffusion Models trained on Corrupted Data [56.81246107125692]
  Ambient Diffusion Posterior Smpling (A-DPS) は、ある種類の腐敗に対して事前訓練された生成モデルである。 A-DPSは、いくつかの画像復元タスクにおいて、クリーンなデータで訓練されたモデルよりも、速度と性能の両方で優れていることが示される。 我々はAmbient Diffusionフレームワークを拡張して、FourierサブサンプルのマルチコイルMRI測定にのみアクセスしてMRIモデルをトレーニングする。
  論文  参考訳（メタデータ） (2024-03-13T17:28:20Z)
• 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)
• 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)
• 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)
• Denoising Diffusion Restoration Models [110.1244240726802]
  Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
  論文  参考訳（メタデータ） (2022-01-27T20:19:07Z)

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。