論文の概要: Whitened Score Diffusion: A Structured Prior for Imaging Inverse Problems

• arxiv url: http://arxiv.org/abs/2505.10311v3
• Date: Tue, 20 May 2025 15:28:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 12:33:37.380376
• Title: Whitened Score Diffusion: A Structured Prior for Imaging Inverse Problems
• Title（参考訳）: Whitened Score Diffusion:画像逆問題に対する構造的先行
• Authors: Jeffrey Alido, Tongyu Li, Yu Sun, Lei Tian,
• Abstract要約: ホワイトドスコア拡散モデル(WS)は、標準スコアではなくホワイトドスコア関数を学習する微分方程式に基づく新しいフレームワークである。 WS DMは任意のガウス雑音に対する流れマッチングと等価性を確立し、帰納バイアスを調整し、構造的雑音を伴う逆問題を撮像するための強力なベイズ先行を与える。
• 参考スコア（独自算出の注目度）: 5.040320352639828
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional score-based diffusion models (DMs) may struggle with anisotropic Gaussian diffusion processes due to the required inversion of covariance matrices in the denoising score matching training objective \cite{vincent_connection_2011}. We propose Whitened Score (WS) diffusion models, a novel framework based on stochastic differential equations that learns the Whitened Score function instead of the standard score. This approach circumvents covariance inversion, extending score-based DMs by enabling stable training of DMs on arbitrary Gaussian forward noising processes. WS DMs establish equivalence with flow matching for arbitrary Gaussian noise, allow for tailored spectral inductive biases, and provide strong Bayesian priors for imaging inverse problems with structured noise. We experiment with a variety of computational imaging tasks using the CIFAR and CelebA ($64\times64$) datasets and demonstrate that WS diffusion priors trained on anisotropic Gaussian noising processes consistently outperform conventional diffusion priors based on isotropic Gaussian noise. Our code is open-sourced at \href{https://github.com/jeffreyalido/wsdiffusion}{\texttt{github.com/jeffreyalido/wsdiffusion}}.
• Abstract（参考訳）: 従来のスコアベース拡散モデル (DM) は, 共分散行列の所要逆転により, 異方性ガウス拡散過程と競合する可能性がある。 標準スコアの代わりにホワイト付きスコア関数を学習する確率微分方程式に基づく新しいフレームワークであるホワイト付きスコア拡散モデルを提案する。 このアプローチは、任意のガウス前方雑音発生過程におけるDMの安定した訓練を可能にすることにより、スコアベースのDMを拡張する共分散反転を回避する。 WS DMは任意のガウス雑音に対する流れマッチングと等価性を確立し、スペクトル誘導バイアスを調整可能とし、構造的雑音を伴う逆問題を撮像するための強いベイズ偏差を与える。 CIFARとCelebA(64\times64$)データセットを用いて様々な画像処理タスクを実験し、異方性ガウスノイズに基づくWS拡散先行処理が、異方性ガウス雑音に基づく従来の拡散先行処理より一貫して優れていることを示す。 私たちのコードは、 \href{https://github.com/jeffreyalido/wsdiffusion}{\textt{github.com/jeffreyalido/wsdiffusion}}でオープンソース化されています。

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)
• Principled Probabilistic Imaging using Diffusion Models as Plug-and-Play Priors [29.203951468436145]
  拡散モデル(DM)は、最近、複雑な画像分布をモデル化する際、優れた機能を示した。 一般的な逆問題に対する後続サンプリングを行うマルコフ連鎖モンテカルロアルゴリズムを提案する。 提案手法の有効性を6つの逆問題に適用した。
  論文  参考訳（メタデータ） (2024-05-29T05:42:25Z)
• Provably Robust Score-Based Diffusion Posterior Sampling for Plug-and-Play Image Reconstruction [31.503662384666274]
  科学と工学において、ゴールは、ある画像のモダリティを記述する既知のフォワードモデルから収集された少数の測定値から未知の画像を推測することである。 モチベートされたスコアベース拡散モデルはその経験的成功により、画像再構成に先立って模範の印象的な候補として現れた。
  論文  参考訳（メタデータ） (2024-03-25T15:58:26Z)
• Generalized Consistency Trajectory Models for Image Manipulation [59.576781858809355]
  拡散モデル(DM)は、画像編集や復元などの応用と同様に、無条件生成において優れている。 本研究の目的は、一般化されたCTM(GCTM)を提案することによって、整合性軌道モデル(CTM)の完全なポテンシャルを解放することである。 本稿では,GCTMの設計空間について論じ,画像から画像への変換,復元,編集など,様々な画像操作タスクにおいて有効性を示す。
  論文  参考訳（メタデータ） (2024-03-19T07:24:54Z)
• Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
  本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。 画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
  論文  参考訳（メタデータ） (2023-11-02T02:05:38Z)
• 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)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)

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。