Fugu-MT 論文翻訳(概要): CoSIGN: Few-Step Guidance of ConSIstency Model to Solve General INverse Problems

論文の概要: CoSIGN: Few-Step Guidance of ConSIstency Model to Solve General INverse Problems

arxiv url: http://arxiv.org/abs/2407.12676v1
Date: Wed, 17 Jul 2024 15:57:50 GMT
ステータス: 処理完了
システム内更新日: 2024-07-18 16:26:03.975839
Title: CoSIGN: Few-Step Guidance of ConSIstency Model to Solve General INverse Problems
Title（参考訳）: CoSIGN: 一般的な逆問題を解決するためのコンシステンシーモデルの多段階指導
Authors: Jiankun Zhao, Bowen Song, Liyue Shen,
Abstract要約: 我々は, 高い復元品質を維持しつつ, 推論ステップの境界を1-2 NFEに推し進めることを提案する。本手法は拡散型逆問題解法における新しい最先端技術を実現する。
参考スコア（独自算出の注目度）: 3.3969056208620128
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Diffusion models have been demonstrated as strong priors for solving general inverse problems. Most existing Diffusion model-based Inverse Problem Solvers (DIS) employ a plug-and-play approach to guide the sampling trajectory with either projections or gradients. Though effective, these methods generally necessitate hundreds of sampling steps, posing a dilemma between inference time and reconstruction quality. In this work, we try to push the boundary of inference steps to 1-2 NFEs while still maintaining high reconstruction quality. To achieve this, we propose to leverage a pretrained distillation of diffusion model, namely consistency model, as the data prior. The key to achieving few-step guidance is to enforce two types of constraints during the sampling process of the consistency model: soft measurement constraint with ControlNet and hard measurement constraint via optimization. Supporting both single-step reconstruction and multistep refinement, the proposed framework further provides a way to trade image quality with additional computational cost. Within comparable NFEs, our method achieves new state-of-the-art in diffusion-based inverse problem solving, showcasing the significant potential of employing prior-based inverse problem solvers for real-world applications. Code is available at: https://github.com/BioMed-AI-Lab-U-Michgan/cosign.
Abstract（参考訳）: 拡散モデルは、一般的な逆問題を解決するための強力な先駆体として実証されてきた。既存の拡散モデルに基づく逆問題解法(DIS)は、投射または勾配でサンプリング軌道を導くためにプラグアンドプレイ方式を採用している。有効ではあるが、これらの手法は一般的に数百のサンプリングステップを必要とし、推測時間と復元品質の間にジレンマを生じさせる。本研究では, 高い復元品質を維持しつつ, 推論ステップの境界を1-2 NFEに推し進める。そこで本研究では,事前学習した拡散モデル,すなわち整合性モデルの蒸留を先行データとして活用することを提案する。数ステップのガイダンスを達成するための鍵は、一貫性モデルのサンプリングプロセス中に2つのタイプの制約を強制することである。ワンステップ再構成とマルチステップ改善の両方をサポートするため、提案フレームワークはさらに、画像品質をさらなる計算コストで取引する手段を提供する。本手法は, 拡散型逆問題解法において, 従来の逆問題解法を実世界の応用に適用する有意義な可能性を示すものである。コードは、https://github.com/BioMed-AI-Lab-U-Michgan/cosign.comで入手できる。

関連論文リスト

A First-order Generative Bilevel Optimization Framework for Diffusion Models [57.40597004445473]
拡散モデルは、データサンプルを反復的に分解して高品質な出力を合成する。従来の二値法は無限次元の確率空間と禁制的なサンプリングコストのために失敗する。我々はこの問題を生成的二段階最適化問題として定式化する。従来の2段階法と拡散過程の非互換性を克服する。
論文参考訳（メタデータ） (2025-02-12T21:44:06Z)
Improving Decoupled Posterior Sampling for Inverse Problems using Data Consistency Constraint [13.285652967956652]
本稿では,逆問題に対するGDPS ( Guided Decoupled Posterior Smpling) を提案する。我々はこの手法を潜在拡散モデルとツイーディの公式に拡張する。 GDPSは最先端のパフォーマンスを実現し、既存の手法よりも精度を向上させる。
論文参考訳（メタデータ） (2024-12-01T03:57:21Z)
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)
Fast Samplers for Inverse Problems in Iterative Refinement Models [19.099632445326826]
逆問題に対する効率的なサンプル作成のためのプラグイン・アンド・プレイフレームワークを提案する。提案手法は,5段階の条件付きサンプリングステップで高品質なサンプルを生成でき,20～1000段の基準ラインよりも優れる。
論文参考訳（メタデータ） (2024-05-27T21:50:16Z)
Deep Data Consistency: a Fast and Robust Diffusion Model-based Solver for Inverse Problems [0.0]
本研究では,拡散モデルを用いた逆問題解法において,データ一貫性ステップをディープラーニングモデルで更新するディープデータ一貫性(DDC)を提案する。線形および非線形タスクにおける最先端手法と比較して、DDCは類似度と実性の両方の指標の優れた性能を示す。
論文参考訳（メタデータ） (2024-05-17T12:54:43Z)
BlindDiff: Empowering Degradation Modelling in Diffusion Models for Blind Image Super-Resolution [52.47005445345593]
BlindDiff は SISR のブラインド劣化に対処するための DM ベースのブラインドSR 手法である。 BlindDiffはMAPベースの最適化をDMにシームレスに統合する。合成データセットと実世界のデータセットの両方の実験は、BlindDiffが最先端のパフォーマンスを達成することを示している。
論文参考訳（メタデータ） (2024-03-15T11:21:34Z)
PGDiff: Guiding Diffusion Models for Versatile Face Restoration via Partial Guidance [65.5618804029422]
これまでの研究は、明示的な劣化モデルを用いて解空間を制限することで、注目すべき成功を収めてきた。実世界の劣化に適応可能な新しい視点である部分的ガイダンスを導入することでPGDiffを提案する。提案手法は,既存の拡散優先手法に勝るだけでなく,タスク固有モデルと良好に競合する。
論文参考訳（メタデータ） (2023-09-19T17:51:33Z)
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)
Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文参考訳（メタデータ） (2023-04-10T17:54:38Z)
Improving Diffusion Models for Inverse Problems using Manifold Constraints [55.91148172752894]
我々は,現在の解法がデータ多様体からサンプルパスを逸脱し,エラーが蓄積することを示す。この問題に対処するため、多様体の制約に着想を得た追加の補正項を提案する。本手法は理論上も経験上も従来の方法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-06-02T09:06:10Z)

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。