論文の概要: Diffusion Model Guided Sampling with Pixel-Wise Aleatoric Uncertainty Estimation

• arxiv url: http://arxiv.org/abs/2412.00205v1
• Date: Fri, 29 Nov 2024 19:02:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:51:25.429056
• Title: Diffusion Model Guided Sampling with Pixel-Wise Aleatoric Uncertainty Estimation
• Title（参考訳）: 画素幅アレタリック不確かさ推定による拡散モデルサンプリング
• Authors: Michele De Vita, Vasileios Belagiannis,
• Abstract要約: 本稿では,拡散モデルのサンプリングフェーズにおける画素単位のアレタリック不確かさを推定する。 この不確実性は、拡散モデルに特化して設計された摂動スキームによるデノナイジングスコアのばらつきとして計算される。 FIDスコアの点から,本手法がより優れたサンプル生成に繋がることを示す。
• 参考スコア（独自算出の注目度）: 10.269485943949332
• License:
• Abstract: Despite the remarkable progress in generative modelling, current diffusion models lack a quantitative approach to assess image quality. To address this limitation, we propose to estimate the pixel-wise aleatoric uncertainty during the sampling phase of diffusion models and utilise the uncertainty to improve the sample generation quality. The uncertainty is computed as the variance of the denoising scores with a perturbation scheme that is specifically designed for diffusion models. We then show that the aleatoric uncertainty estimates are related to the second-order derivative of the diffusion noise distribution. We evaluate our uncertainty estimation algorithm and the uncertainty-guided sampling on the ImageNet and CIFAR-10 datasets. In our comparisons with the related work, we demonstrate promising results in filtering out low quality samples. Furthermore, we show that our guided approach leads to better sample generation in terms of FID scores.
• Abstract（参考訳）: 生成モデリングの顕著な進歩にもかかわらず、現在の拡散モデルは画像の品質を評価するための定量的アプローチを欠いている。 この制限に対処するため,拡散モデルのサンプリングフェーズにおける画素単位のアレタリック不確かさを推定し,その不確かさを利用して試料生成品質を向上させることを提案する。 この不確実性は、拡散モデルのために特別に設計された摂動スキームを用いて、デノナイジングスコアの分散として計算される。 そこで,アレータティックな不確実性推定は拡散雑音分布の2次微分と関係していることを示す。 我々は、ImageNetとCIFAR-10データセット上で、不確実性推定アルゴリズムと不確実性誘導サンプリングを評価する。 関連研究との比較では, 低品質試料をろ過する有望な結果を示した。 さらに,本手法がFIDスコアの点から,より優れたサンプル生成に繋がることを示す。

関連論文リスト

• One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
  そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。 幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
  論文  参考訳（メタデータ） (2023-12-16T14:59:11Z)
• Mitigating Exposure Bias in Discriminator Guided Diffusion Models [4.5349436061325425]
  本稿では,識別器誘導とエプシロンスケーリングを組み合わせたSEDM-G++を提案する。 提案手法は,非条件CIFAR-10データセット上でFIDスコア1.73を達成し,現状よりも優れている。
  論文  参考訳（メタデータ） (2023-11-18T20:49:50Z)
• BayesDiff: Estimating Pixel-wise Uncertainty in Diffusion via Bayesian Inference [29.682407300058394]
  ベイズディフ (BayesDiff) は、ベイズ推定に基づく拡散モデルから世代別不確実性推定器である。 推定画素単位の不確実性は、低忠実度画像をフィルタリングするサンプルワイドメトリックに集約できるだけでなく、成功した世代を増大させ、テキスト・ツー・イメージタスクの失敗世代におけるアーティファクトの修正に役立つ。
  論文  参考訳（メタデータ） (2023-10-17T10:45:28Z)
• Deep Evidential Learning for Bayesian Quantile Regression [3.6294895527930504]
  1つの決定論的フォワードパスモデルから正確な不確実性を推定することが望ましい。 本稿では,ガウス的仮定を使わずに連続目標分布の量子化を推定できるディープベイズ量子回帰モデルを提案する。
  論文  参考訳（メタデータ） (2023-08-21T11:42:16Z)
• Semi-Implicit Denoising Diffusion Models (SIDDMs) [50.30163684539586]
  Denoising Diffusion Probabilistic Models (DDPM)のような既存のモデルは、高品質で多様なサンプルを提供するが、本質的に多くの反復的なステップによって遅くなる。 暗黙的要因と明示的要因を一致させることにより、この問題に対処する新しいアプローチを導入する。 提案手法は拡散モデルに匹敵する生成性能と,少数のサンプリングステップを持つモデルに比較して非常に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-06-21T18:49:22Z)
• Solving Diffusion ODEs with Optimal Boundary Conditions for Better Image Super-Resolution [82.50210340928173]
  拡散モデルのランダム性は非効率性と不安定性をもたらすため、SR結果の品質を保証することは困難である。 本稿では,一連の拡散型SR手法の恩恵を受ける可能性を持つプラグアンドプレイサンプリング手法を提案する。 提案手法によりサンプリングされたSR結果の質は, 学習前の拡散ベースSRモデルと同一のランダム性を有する現在の手法でサンプリングされた結果の質より優れる。
  論文  参考訳（メタデータ） (2023-05-24T17:09:54Z)
• Bi-Noising Diffusion: Towards Conditional Diffusion Models with Generative Restoration Priors [64.24948495708337]
  本研究では,事前訓練した非条件拡散モデルを用いて,予測サンプルをトレーニングデータ多様体に導入する手法を提案する。 我々は,超解像,着色,乱流除去,画像劣化作業におけるアプローチの有効性を実証するための総合的な実験を行った。
  論文  参考訳（メタデータ） (2022-12-14T17:26:35Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)
• Uncertainty-aware Generalized Adaptive CycleGAN [44.34422859532988]
  unpaired image-to-image translationは、教師なしの方法で画像ドメイン間のマッピングを学ぶことを指す。 既存の手法はしばしば、外れ値への堅牢性や予測不確実性を明示的にモデル化せずに決定論的マッピングを学習する。 Uncertainty-aware Generalized Adaptive Cycle Consistency (UGAC) という新しい確率論的手法を提案する。
  論文  参考訳（メタデータ） (2021-02-23T15:22:35Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• A deep-learning based Bayesian approach to seismic imaging and uncertainty quantification [0.4588028371034407]
  不確実性は、不条件の逆問題を扱う際に必須である。 未知の知識を正確に符号化する事前分布を定式化することは、しばしば不可能である。 本稿では,無作為な畳み込みニューラルネットワークの機能形式を,前もって暗黙的な構造として利用することを提案する。
  論文  参考訳（メタデータ） (2020-01-13T23:46:18Z)

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。