論文の概要: Unsupervised Detection of Distribution Shift in Inverse Problems using Diffusion Models

• arxiv url: http://arxiv.org/abs/2505.11482v2
• Date: Wed, 21 May 2025 00:14:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 13:19:52.313618
• Title: Unsupervised Detection of Distribution Shift in Inverse Problems using Diffusion Models
• Title（参考訳）: 拡散モデルを用いた逆問題における分布変化の教師なし検出
• Authors: Shirin Shoushtari, Edward P. Chandler, M. Salman Asif, Ulugbek S. Kamilov,
• Abstract要約: 本稿では,間接的(破損した)測定のみを用いて分布変化を推定するための教師なしの指標を提案する。 この結果から, クリーンな画像から算出したKLの偏差を近似したスコアベースの測定値が得られた。 この結果から,分布外分布スコアと分布内分布スコアとの整合性はKLのばらつきを減少させ,複数の逆問題における再構成品質の向上につながることが示された。
• 参考スコア（独自算出の注目度）: 14.933940269672009
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models are widely used as priors in imaging inverse problems. However, their performance often degrades under distribution shifts between the training and test-time images. Existing methods for identifying and quantifying distribution shifts typically require access to clean test images, which are almost never available while solving inverse problems (at test time). We propose a fully unsupervised metric for estimating distribution shifts using only indirect (corrupted) measurements and score functions from diffusion models trained on different datasets. We theoretically show that this metric estimates the KL divergence between the training and test image distributions. Empirically, we show that our score-based metric, using only corrupted measurements, closely approximates the KL divergence computed from clean images. Motivated by this result, we show that aligning the out-of-distribution score with the in-distribution score -- using only corrupted measurements -- reduces the KL divergence and leads to improved reconstruction quality across multiple inverse problems.
• Abstract（参考訳）: 拡散モデルは、逆問題の画像化の先駆者として広く使われている。 しかしながら、トレーニングとテストタイムのイメージ間の分散シフトでは、パフォーマンスが劣化することが多い。 分散シフトを特定して定量化する既存の方法は、典型的にはクリーンなテストイメージへのアクセスを必要とするが、これは逆問題(テスト時間)を解きながらほとんど利用できない。 本研究では,異なるデータセット上で学習した拡散モデルから,間接的(破損した)測定のみを用いて分布変化を推定するための完全に教師なしの指標を提案する。 理論的には、この測定値は、トレーニングとテスト画像の分布間のKLのばらつきを推定する。 実験により, 劣化測定のみを用いて, クリーン画像から計算したKLの偏差を近似したスコアベースの測定値が得られた。 この結果から,分布外分布スコアと分布内分布スコアとの整合性はKLのばらつきを減少させ,複数の逆問題における再構成品質の向上につながることが示された。

関連論文リスト

• Traversing Distortion-Perception Tradeoff using a Single Score-Based Generative Model [35.91741991271154]
  歪み知覚トレードオフは、歪みメトリクスと知覚品質の根本的な矛盾を明らかにします。 本稿では,1つのスコアネットワークがDPトレードオフを効果的かつ柔軟に越えられることを示す。
  論文  参考訳（メタデータ） (2025-03-26T07:37:53Z)
• Diffusion Attribution Score: Evaluating Training Data Influence in Diffusion Models [22.39558434131574]
  拡散モデルに対する既存のデータ帰属法は、典型的にはトレーニングサンプルの寄与を定量化する。 拡散損失の直接的利用は,拡散損失の計算により,そのような貢献を正確に表すことはできない。 本研究では,予測分布と属性スコアとの直接比較を行うために拡散属性スコア(textitDAS)を提案する。
  論文  参考訳（メタデータ） (2024-10-24T10:58:17Z)
• Patch-Based Diffusion Models Beat Whole-Image Models for Mismatched Distribution Inverse Problems [12.5216516851131]
  我々は、既知のトレーニング分布が最初に提供される場合の分布(OOD)問題について検討する。 パッチのみから画像分布を学習するパッチベースの拡散を事前に使用しています。 どちらの設定でも、パッチベースの手法は、画像全体のモデルより優れた高品質な画像再構成を得ることができる。
  論文  参考訳（メタデータ） (2024-10-15T16:02:08Z)
• Think Twice Before You Act: Improving Inverse Problem Solving With MCMC [40.5682961122897]
  事前学習した拡散モデルを用いて逆問題を解決するためにtextbfDiffusion textbfPosterior textbfDPMC(textbfDPMC)を提案する。 提案アルゴリズムは,ほぼすべてのタスクにおいてDPSよりも性能が優れており,既存手法と競合する。
  論文  参考訳（メタデータ） (2024-09-13T06:10:54Z)
• Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
  本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。 拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-05T09:44:47Z)
• 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)
• Denoising Diffusion Restoration Models [110.1244240726802]
  Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
  論文  参考訳（メタデータ） (2022-01-27T20:19:07Z)

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。