論文の概要: Measurement Score-Based Diffusion Model

• arxiv url: http://arxiv.org/abs/2505.11853v1
• Date: Sat, 17 May 2025 05:33:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.895336
• Title: Measurement Score-Based Diffusion Model
• Title（参考訳）: 測定スコアに基づく拡散モデル
• Authors: Chicago Y. Park, Shirin Shoushtari, Hongyu An, Ulugbek S. Kamilov,
• Abstract要約: 測定スコアベース拡散モデル(MSM)は,雑音とサブサンプル測定のみを用いて部分的測定スコアを学習する新しいフレームワークである。 MSMは高品質な画像を生成し、逆問題の解決を可能にする。
• 参考スコア（独自算出の注目度）: 5.82978411250693
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models are widely used in applications ranging from image generation to inverse problems. However, training diffusion models typically requires clean ground-truth images, which are unavailable in many applications. We introduce the Measurement Score-based diffusion Model (MSM), a novel framework that learns partial measurement scores using only noisy and subsampled measurements. MSM models the distribution of full measurements as an expectation over partial scores induced by randomized subsampling. To make the MSM representation computationally efficient, we also develop a stochastic sampling algorithm that generates full images by using a randomly selected subset of partial scores at each step. We additionally propose a new posterior sampling method for solving inverse problems that reconstructs images using these partial scores. We provide a theoretical analysis that bounds the Kullback-Leibler divergence between the distributions induced by full and stochastic sampling, establishing the accuracy of the proposed algorithm. We demonstrate the effectiveness of MSM on natural images and multi-coil MRI, showing that it can generate high-quality images and solve inverse problems -- all without access to clean training data. Code is available at https://github.com/wustl-cig/MSM.
• Abstract（参考訳）: 拡散モデルは画像生成から逆問題まで幅広い用途で広く利用されている。 しかし、トレーニング拡散モデルは一般的に、多くのアプリケーションでは利用できないクリーンな地平線画像を必要とする。 本稿では,雑音とサブサンプリングのみを用いて部分的測定スコアを学習する新しいフレームワークであるMessage Score-based diffusion Model (MSM)を紹介する。 MSMは、ランダム化サブサンプリングによって誘導される部分的なスコアに対する期待値として、完全な測定値の分布をモデル化する。 MSM表現を計算効率良くするために、各ステップでランダムに選択された部分スコアのサブセットを用いて、全画像を生成する確率的サンプリングアルゴリズムを開発する。 また,これらの部分スコアを用いて画像再構成を行う逆問題に対する新しい後方サンプリング手法を提案する。 本稿では,本アルゴリズムの精度を確立するために,全確率サンプリングと確率サンプリングによる分布のKulback-Leibler分散をバウンドする理論解析を行う。 自然画像とマルチコイルMRIにおけるMSMの有効性を実証し、高品質な画像を生成し、逆問題の解決を可能にすることを示した。 コードはhttps://github.com/wustl-cig/MSMで入手できる。

関連論文リスト

• Unsupervised Detection of Distribution Shift in Inverse Problems using Diffusion Models [15.926651846862544]
  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。
  論文  参考訳（メタデータ） (2025-05-16T17:44:58Z)
• A Simple Early Exiting Framework for Accelerated Sampling in Diffusion Models [14.859580045688487]
  拡散モデルの現実的なボトルネックはサンプリング速度である。 スコア推定に必要な計算を適応的に割り当てる新しいフレームワークを提案する。 本研究では,画像品質を損なうことなく,拡散モデルのサンプリングスループットを大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-08-12T05:33:45Z)
• 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)
• Ambient Diffusion Posterior Sampling: Solving Inverse Problems with Diffusion Models Trained on Corrupted Data [54.09959775518994]
  線形に破損したデータから学習した拡散モデルを用いて逆問題を解決するためのフレームワークを提供する。 加速度係数R=2,4,6,8のサブサンプルによるマルチコイル測定にのみアクセス可能なMRI拡散モデルを訓練する。 高加速度環境下でのMRI再構成において、サブサンプルデータでトレーニングされたA-DPSモデルは、完全サンプルデータでトレーニングされたモデルよりも逆問題の解決に適している。
  論文  参考訳（メタデータ） (2024-03-13T17:28:20Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• 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)
• Self-Score: Self-Supervised Learning on Score-Based Models for MRI Reconstruction [18.264778497591603]
  本稿では,MRI再構成のための完全サンプルデータフリースコアベース拡散モデルを提案する。 アンダーサンプリングされたデータに基づいて、自己監督的な方法で、完全にサンプリングされたMR画像を学ぶ。 公開データセットにおける実験により,提案手法は既存の自己教師型MRI再構成法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-02T06:21:42Z)
• 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)
• Score-based diffusion models for accelerated MRI [35.3148116010546]
  本研究では,画像中の逆問題を容易に解けるような条件分布からデータをサンプリングする方法を提案する。 我々のモデルは、訓練のためにのみ等級画像を必要とするが、複雑な値のデータを再構成することができ、さらに並列画像まで拡張できる。
  論文  参考訳（メタデータ） (2021-10-08T08:42:03Z)

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。