論文の概要: Variational Diffusion Posterior Sampling with Midpoint Guidance

• arxiv url: http://arxiv.org/abs/2410.09945v1
• Date: Sun, 13 Oct 2024 18:03:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-30 04:03:30.882724
• Title: Variational Diffusion Posterior Sampling with Midpoint Guidance
• Title（参考訳）: 中点誘導による変動拡散後腹側サンプリング
• Authors: Badr Moufad, Yazid Janati, Lisa Bedin, Alain Durmus, Randal Douc, Eric Moulines, Jimmy Olsson,
• Abstract要約: State-of-the-artアプローチは、後部をターゲットとする代理拡散モデルからサンプリングする問題として問題を定式化する。 前者は事前学習した拡散モデルのスコアに置き換えられるが、誘導項は推定する必要がある。 線形および非線形逆問題に対する広範な実験を通じて提案手法を検証する。
• 参考スコア（独自算出の注目度）: 19.43399234028389
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Diffusion models have recently shown considerable potential in solving Bayesian inverse problems when used as priors. However, sampling from the resulting denoising posterior distributions remains a challenge as it involves intractable terms. To tackle this issue, state-of-the-art approaches formulate the problem as that of sampling from a surrogate diffusion model targeting the posterior and decompose its scores into two terms: the prior score and an intractable guidance term. While the former is replaced by the pre-trained score of the considered diffusion model, the guidance term has to be estimated. In this paper, we propose a novel approach that utilises a decomposition of the transitions which, in contrast to previous methods, allows a trade-off between the complexity of the intractable guidance term and that of the prior transitions. We validate the proposed approach through extensive experiments on linear and nonlinear inverse problems, including challenging cases with latent diffusion models as priors, and demonstrate its effectiveness in reconstructing electrocardiogram (ECG) from partial measurements for accurate cardiac diagnosis.
• Abstract（参考訳）: 拡散モデルは最近、ベイズ的逆問題(英語版)を前もって解くことにかなりの可能性を示している。 しかし、結果として生じる後部分布からのサンプリングは、難解な項を含むため、依然として困難である。 この問題に対処するために、最先端のアプローチは、後部を対象とする代理拡散モデルからのサンプリングとして問題を定式化し、そのスコアを、先行スコアと難解なガイダンス項の2つの項に分解する。 前者は事前学習した拡散モデルのスコアに置き換えられるが、誘導項は推定する必要がある。 本稿では,従来の手法とは対照的に,難解な誘導項の複雑さと先行的な遷移の複雑さとのトレードオフを可能にする,遷移の分解を利用した新しいアプローチを提案する。 本研究は, 線形および非線形逆問題に関する広範囲な実験により, 遅延拡散モデルを先行例とする挑戦事例を含む手法の有効性を検証し, 心電図(ECG)の再構築に有効であることを示す。

関連論文リスト

• Solving Prior Distribution Mismatch in Diffusion Models via Optimal Transport [24.90486913773359]
  近年,拡散モデル(DM)に関する知識は著しく増大しているが,いくつかの理論的なギャップが残っている。 本稿では、最適輸送(OT)理論と離散初期分布を持つDMとの深い関係について検討する。 拡散終了時間が増加するにつれて、確率フローは古典モンジュ・アンペア方程式の解の勾配に指数関数的に収束する。
  論文  参考訳（メタデータ） (2024-10-17T10:54:55Z)
• 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)
• Reducing the cost of posterior sampling in linear inverse problems via task-dependent score learning [5.340736751238338]
  前方マッピングの評価は, 後部サンプル生成時に完全に回避可能であることを示す。 この観測は、最近導入された無限次元拡散モデルの枠組みに一般化されることを証明している。
  論文  参考訳（メタデータ） (2024-05-24T15:33:27Z)
• Divide-and-Conquer Posterior Sampling for Denoising Diffusion Priors [21.0128625037708]
  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。
  論文  参考訳（メタデータ） (2024-03-18T01:47:24Z)
• 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)
• 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)
• Restoration-Degradation Beyond Linear Diffusions: A Non-Asymptotic Analysis For DDIM-Type Samplers [90.45898746733397]
  本研究では拡散生成モデルに用いる決定論的サンプリング器の非漸近解析のためのフレームワークを開発する。 確率フローODEに沿った1ステップは,1) 条件付き対数線上を無限に先行して上昇する回復ステップ,2) 雑音を現在の勾配に向けて前向きに進行する劣化ステップの2段階で表すことができる。
  論文  参考訳（メタデータ） (2023-03-06T18:59:19Z)
• GibbsDDRM: A Partially Collapsed Gibbs Sampler for Solving Blind Inverse Problems with Denoising Diffusion Restoration [64.8770356696056]
  本稿では,DDRM(Denoising Diffusion Restoration Models)の拡張であるGibbsDDRMを提案する。 提案手法は問題に依存しないため,様々な逆問題に対して事前学習した拡散モデルを適用することができる。
  論文  参考訳（メタデータ） (2023-01-30T06:27:48Z)
• 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。