論文の概要: InverseBench: Benchmarking Plug-and-Play Diffusion Priors for Inverse Problems in Physical Sciences

• arxiv url: http://arxiv.org/abs/2503.11043v1
• Date: Fri, 14 Mar 2025 03:13:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:06:28.594293
• Title: InverseBench: Benchmarking Plug-and-Play Diffusion Priors for Inverse Problems in Physical Sciences
• Title（参考訳）: InverseBench: 物理科学における逆問題に対するプラグ・アンド・プレイ拡散のベンチマーク
• Authors: Hongkai Zheng, Wenda Chu, Bingliang Zhang, Zihui Wu, Austin Wang, Berthy T. Feng, Caifeng Zou, Yu Sun, Nikola Kovachki, Zachary E. Ross, Katherine L. Bouman, Yisong Yue,
• Abstract要約: 我々は,5つの科学的逆問題にまたがる拡散モデルを評価するフレームワークであるtextscInverseBenchを紹介する。 これらの問題には、既存のベンチマークとは異なるユニークな構造上の課題が存在する。 我々は、強力なドメイン固有のベースラインに対して、プラグ・アンド・プレイ拡散プリミティブを使用する14の逆問題アルゴリズムをベンチマークする。
• 参考スコア（独自算出の注目度）: 25.766097117320772
• License:
• Abstract: Plug-and-play diffusion priors (PnPDP) have emerged as a promising research direction for solving inverse problems. However, current studies primarily focus on natural image restoration, leaving the performance of these algorithms in scientific inverse problems largely unexplored. To address this gap, we introduce \textsc{InverseBench}, a framework that evaluates diffusion models across five distinct scientific inverse problems. These problems present unique structural challenges that differ from existing benchmarks, arising from critical scientific applications such as optical tomography, medical imaging, black hole imaging, seismology, and fluid dynamics. With \textsc{InverseBench}, we benchmark 14 inverse problem algorithms that use plug-and-play diffusion priors against strong, domain-specific baselines, offering valuable new insights into the strengths and weaknesses of existing algorithms. To facilitate further research and development, we open-source the codebase, along with datasets and pre-trained models, at https://devzhk.github.io/InverseBench/.
• Abstract（参考訳）: プラグ・アンド・プレイ拡散先行法(PnPDP)は,逆問題解決のための有望な研究方向として登場した。 しかし、現在の研究では主に自然画像の復元に焦点が当てられており、科学的逆問題におけるこれらのアルゴリズムの性能はほとんど解明されていない。 このギャップに対処するために,5つの異なる科学的逆問題間の拡散モデルを評価するフレームワークである「textsc{InverseBench}」を導入する。 これらの問題は、光学トモグラフィー、医用画像、ブラックホールイメージング、地震学、流体力学などの重要な科学的応用から生じる、既存のベンチマークとは異なるユニークな構造上の課題を示している。 既存のアルゴリズムの長所と短所に関する貴重な新たな洞察を提供するために, 強力なドメイン固有のベースラインに対して, プラグ・アンド・プレイ拡散プリミティブを使用する14の逆問題アルゴリズムをベンチマークする。 さらなる研究と開発を容易にするため、私たちは、データセットと事前トレーニングされたモデルとともに、コードベースをhttps://devzhk.github.io/InverseBench/.comでオープンソース化しました。

関連論文リスト

• A Unified Framework for Forward and Inverse Problems in Subsurface Imaging using Latent Space Translations [9.590290812962884]
  本稿では,GFI(Generalized Forward-Inverse)フレームワークと呼ばれる,この分野における先行研究を特徴付ける統一フレームワークを提案する。 GFIは、GFIの特定のインスタンス化とみなすことができる地下画像の深層学習における従来の成果を包含していることを示す。 また,GFI のフレームワークとして,潜在 U-Net と非可逆 X-Net の2つの新しいモデルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-10-15T04:07:25Z)
• A Survey on Diffusion Models for Inverse Problems [110.6628926886398]
  本稿では, 事前学習した拡散モデルを用いて, さらなる学習を必要とせず, 逆問題の解法について概説する。 逆問題に対する潜伏拡散モデルの使用に伴う具体的な課題と潜在的な解決策について論じる。
  論文  参考訳（メタデータ） (2024-09-30T17:34:01Z)
• 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)
• Solving Linear Inverse Problems Provably via Posterior Sampling with Latent Diffusion Models [98.95988351420334]
  本稿では,事前学習した潜在拡散モデルを利用した線形逆問題の解法を初めて提案する。 線形モデル設定において,証明可能なサンプル回復を示すアルゴリズムを理論的に解析する。
  論文  参考訳（メタデータ） (2023-07-02T17:21:30Z)
• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)
• 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)
• Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
  ビデオの異常検出は重要な問題だが、難しい問題だ。 既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。 連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-28T01:57:57Z)
• Transformer Meets Boundary Value Inverse Problems [4.165221477234755]
  変圧器を用いた深部直接サンプリング法は境界値逆問題のクラスを解くために提案される。 慎重に設計されたデータと再構成された画像の間に学習した逆演算子を評価することにより、リアルタイムな再構成を実現する。
  論文  参考訳（メタデータ） (2022-09-29T17:45:25Z)
• Provably Convergent Algorithms for Solving Inverse Problems Using Generative Models [47.208080968675574]
  より完全な理解を伴う逆問題における生成モデルの利用について検討する。 我々は様々な逆問題を解くための実験結果を用いて主張を支持する。 我々は,モデルミスマッチ(生成前処理が必ずしも適用されない状況)を処理する手法の拡張を提案する。
  論文  参考訳（メタデータ） (2021-05-13T15:58:27Z)
• Solving Inverse Problems With Deep Neural Networks -- Robustness Included? [3.867363075280544]
  近年の研究では、複数の画像再構成タスクにおけるディープニューラルネットワークの不安定性が指摘されている。 分類における敵対的攻撃と類似して、入力領域のわずかな歪みが深刻な成果物を生じさせる可能性が示された。 本稿では、未決定の逆問題を解決するためのディープラーニングベースのアルゴリズムの堅牢性について広範な研究を行うことにより、この懸念に新たな光を当てる。
  論文  参考訳（メタデータ） (2020-11-09T09:33:07Z)
• Regularization of Inverse Problems by Neural Networks [0.0]
  逆問題は、計算トモグラフィー、非破壊検査、リモートセンシングを含む様々な画像アプリケーションで発生する。 逆問題の特徴は、解の非特異性と不安定性である。 ディープラーニング技術とニューラルネットワークは、逆問題に対する古典的解法を大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2020-06-06T20:49:12Z)

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。