論文の概要: Enhancing Diffusion Posterior Sampling for Inverse Problems by Integrating Crafted Measurements

• arxiv url: http://arxiv.org/abs/2411.09850v1
• Date: Fri, 15 Nov 2024 00:06:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:39:38.649788
• Title: Enhancing Diffusion Posterior Sampling for Inverse Problems by Integrating Crafted Measurements
• Title（参考訳）: 工芸品計測の統合による逆問題に対する拡散後方サンプリングの強化
• Authors: Shijie Zhou, Huaisheng Zhu, Rohan Sharma, Ruiyi Zhang, Kaiyi Ji, Changyou Chen,
• Abstract要約: 拡散モデルは視覚生成のための強力な基礎モデルとして登場してきた。 現在の後方サンプリングに基づく手法では、測定結果を後方サンプリングに取り込み、対象データの分布を推定する。 本研究は, 早期に高周波情報を早期に導入し, より大きい推定誤差を生じさせることを示す。 工芸品計測を取り入れた新しい拡散後サンプリング手法DPS-CMを提案する。
• 参考スコア（独自算出の注目度）: 45.70011319850862
• License:
• Abstract: Diffusion models have emerged as a powerful foundation model for visual generation. With an appropriate sampling process, it can effectively serve as a generative prior to solve general inverse problems. Current posterior sampling based methods take the measurement (i.e., degraded image sample) into the posterior sampling to infer the distribution of the target data (i.e., clean image sample). However, in this manner, we show that high-frequency information can be prematurely introduced during the early stages, which could induce larger posterior estimate errors during the restoration sampling. To address this issue, we first reveal that forming the log posterior gradient with the noisy measurement ( i.e., samples from a diffusion forward process) instead of the clean one can benefit the reverse process. Consequently, we propose a novel diffusion posterior sampling method DPS-CM, which incorporates a Crafted Measurement (i.e., samples generated by a reverse denoising process, compared to random sampling with noise in standard methods) to form the posterior estimate. This integration aims to mitigate the misalignment with the diffusion prior caused by cumulative posterior estimate errors. Experimental results demonstrate that our approach significantly improves the overall capacity to solve general and noisy inverse problems, such as Gaussian deblurring, super-resolution, inpainting, nonlinear deblurring, and tasks with Poisson noise, relative to existing approaches.
• Abstract（参考訳）: 拡散モデルは視覚生成のための強力な基礎モデルとして登場してきた。 適切なサンプリングプロセスにより、一般的な逆問題を解決する前に生成物として効果的に機能することができる。 現在の後方サンプリングに基づく方法は、測定(すなわち劣化画像サンプル)を後方サンプリングに取り込み、対象データ(すなわちクリーン画像サンプル)の分布を推測する。 しかし, この方法では, 早期に高周波情報を早期に導入することが可能であり, また, 修復サンプリングにおいて, より大きな後部推定誤差を生じさせる可能性が示唆された。 この問題に対処するために、まず、クリーンなものの代わりにノイズ測定(つまり拡散前処理からのサンプル)でログ後勾配を形成することが、逆のプロセスの恩恵をもたらすことを明らかにした。 そこで本研究では,本手法を応用した拡散後サンプリング手法DPS-CMを提案する。 この統合は、累積的後推定誤差による拡散による不一致を軽減することを目的としている。 実験結果から,ガウスの劣化,超解像,インペインティング,非線形の劣化,ポアソンノイズを伴うタスクなど,一般および雑音の逆問題を解くための全体的な能力は,従来の手法と比較して大幅に向上することが示された。

関連論文リスト

• A Mixture-Based Framework for Guiding Diffusion Models [19.83064246586143]
  デノナイジング拡散モデルはベイズ逆問題(英語版)の分野において大きな進歩をもたらした。 近年のアプローチでは、事前学習した拡散モデルを用いて、そのような問題を広範囲に解決している。 本研究はこれらの中間分布の新たな混合近似を提案する。
  論文  参考訳（メタデータ） (2025-02-05T16:26:06Z)
• Distributional Diffusion Models with Scoring Rules [83.38210785728994]
  拡散モデルは高品質な合成データを生成する。 高品質な出力を生成するには、多くの離散化ステップが必要です。 クリーンデータサンプルの後部エム分布を学習し,サンプル生成を実現することを提案する。
  論文  参考訳（メタデータ） (2025-02-04T16:59:03Z)
• Arbitrary-steps Image Super-resolution via Diffusion Inversion [68.78628844966019]
  本研究では,拡散インバージョンに基づく新しい画像超解像(SR)手法を提案する。 本研究では,拡散モデルの中間状態を構築するための部分雑音予測戦略を設計する。 トレーニングが完了すると、このノイズ予測器を使用して、拡散軌道に沿ってサンプリングプロセスを部分的に初期化し、望ましい高分解能結果を生成する。
  論文  参考訳（メタデータ） (2024-12-12T07:24:13Z)
• 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)
• Improving Diffusion Inverse Problem Solving with Decoupled Noise Annealing [84.97865583302244]
  Decoupled Annealing Posterior Smpling (DAPS) と呼ばれる新しい手法を提案する。 DAPSは、新しいノイズアニール法に依存している。 DAPSは複数の画像復元作業において,サンプル品質と安定性を著しく向上することを示した。
  論文  参考訳（メタデータ） (2024-07-01T17:59:23Z)
• 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)
• Diffusion Posterior Proximal Sampling for Image Restoration [27.35952624032734]
  我々は拡散に基づく画像復元のための洗練されたパラダイムを提案する。 具体的には,各生成段階における測定値と一致したサンプルを選択する。 選択に使用する候補サンプルの数は、タイムステップの信号対雑音比に基づいて適応的に決定される。
  論文  参考訳（メタデータ） (2024-02-25T04:24:28Z)
• Posterior samples of source galaxies in strong gravitational lenses with score-based priors [107.52670032376555]
  我々はスコアベースモデルを用いて、背景銀河の歪みのない画像の事前推定を符号化する。 アウト・オブ・ディストリビューション・データを用いた実験において、可能性と事前のバランスが、我々の期待にどのように合致しているかを示す。
  論文  参考訳（メタデータ） (2022-11-07T19:00:42Z)
• 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)

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。