Fugu-MT 論文翻訳(概要): Split Gibbs Discrete Diffusion Posterior Sampling

論文の概要: Split Gibbs Discrete Diffusion Posterior Sampling

arxiv url: http://arxiv.org/abs/2503.01161v1
Date: Mon, 03 Mar 2025 04:20:14 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-05 19:22:15.123469
Title: Split Gibbs Discrete Diffusion Posterior Sampling
Title（参考訳）: Split Gibbs Disrete Diffusion Posterior Smpling
Authors: Wenda Chu, Yang Song, Yisong Yue,
Abstract要約: そこで本研究では,分割ギブズサンプリングに基づくプラグアンドプレイ離散拡散後サンプリングアルゴリズムを提案する。本アルゴリズムは,離散状態空間における逆問題の生成と解決を可能にする。
参考スコア（独自算出の注目度）: 28.07184680390024
License:
Abstract: We study the problem of posterior sampling in discrete-state spaces using discrete diffusion models. While posterior sampling methods for continuous diffusion models have achieved remarkable progress, analogous methods for discrete diffusion models remain challenging. In this work, we introduce a principled plug-and-play discrete diffusion posterior sampling algorithm based on split Gibbs sampling, which we call SG-DPS. Our algorithm enables reward-guided generation and solving inverse problems in discrete-state spaces. We demonstrate that SG-DPS converges to the true posterior distribution on synthetic benchmarks, and enjoys state-of-the-art posterior sampling performance on a range of benchmarks for discrete data, achieving up to 2x improved performance compared to existing baselines.
Abstract（参考訳）: 離散拡散モデルを用いた離散状態空間における後方サンプリングの問題について検討する。連続拡散モデルの後方サンプリング法は顕著な進歩を遂げているが、離散拡散モデルの類似手法は依然として困難である。本稿では,SG-DPSと呼ばれる分割ギブズサンプリングに基づく,プラグアンドプレイ離散拡散後サンプリングアルゴリズムを提案する。本アルゴリズムは,離散状態空間における逆問題の生成と解決を可能にする。本研究では,SG-DPSが合成ベンチマークの真の後部分布に収束し,従来のベースラインに比べて最大2倍の性能向上を実現していることを示す。

関連論文リスト

G2D2: Gradient-guided Discrete Diffusion for image inverse problem solving [55.185588994883226]
本稿では,従来の離散拡散に基づく画像生成モデルを活用することによって,線形逆問題に対処する新しい手法を提案する。我々の知る限りでは、これは画像逆問題を解決するために離散拡散モデルに基づく先行手法を使う最初のアプローチである。
論文参考訳（メタデータ） (2024-10-09T06:18:25Z)
Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
論文参考訳（メタデータ） (2024-10-03T09:07:13Z)
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)
Scalable diffusion posterior sampling in infinite-dimensional inverse problems [5.340736751238338]
本研究では,サンプリング中の前方マッピング評価を回避できる拡張拡散後サンプリング法を提案する。この手法は無限次元拡散モデルに一般化され、厳密な収束解析と高次元CT画像実験によって検証される。
論文参考訳（メタデータ） (2024-05-24T15:33:27Z)
Convergence Analysis of Discrete Diffusion Model: Exact Implementation through Uniformization [17.535229185525353]
連続マルコフ連鎖の均一化を利用したアルゴリズムを導入し、ランダムな時間点の遷移を実装した。我々の結果は、$mathbbRd$における拡散モデルの最先端の成果と一致し、さらに$mathbbRd$設定と比較して離散拡散モデルの利点を浮き彫りにする。
論文参考訳（メタデータ） (2024-02-12T22:26:52Z)
DiffuSeq-v2: Bridging Discrete and Continuous Text Spaces for Accelerated Seq2Seq Diffusion Models [58.450152413700586]
ガウス空間に基づく離散突然変異を再構成する学習において拡散モデルを容易にする軟吸収状態を導入する。我々は、サンプリングプロセスの高速化のために、連続空間内で最先端のODEソルバを用いている。提案手法は, トレーニング収束率を4倍に向上させ, 類似品質のサンプルを800倍高速に生成する。
論文参考訳（メタデータ） (2023-10-09T15:29:10Z)
A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文参考訳（メタデータ） (2023-05-31T15:33:16Z)
Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文参考訳（メタデータ） (2022-11-30T05:33:29Z)
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)
Come-Closer-Diffuse-Faster: Accelerating Conditional Diffusion Models for Inverse Problems through Stochastic Contraction [31.61199061999173]
拡散モデルには重要な欠点がある。純粋なガウスノイズから画像を生成するために数千ステップの反復を必要とするため、サンプリングが本質的に遅い。ガウスノイズから始めることは不要であることを示す。代わりに、より優れた初期化を伴う単一前方拡散から始めると、逆条件拡散におけるサンプリングステップの数を大幅に減少させる。 ComeCloser-DiffuseFaster (CCDF)と呼ばれる新しいサンプリング戦略は、逆問題に対する既存のフィードフォワードニューラルネットワークアプローチが拡散モデルと相乗的に組み合わせられる方法について、新たな洞察を明らかにしている。
論文参考訳（メタデータ） (2021-12-09T04:28:41Z)

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。