論文の概要: Measurement-Aligned Sampling for Inverse Problem

• arxiv url: http://arxiv.org/abs/2506.11893v2
• Date: Sat, 04 Oct 2025 00:00:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 14:28:10.173899
• Title: Measurement-Aligned Sampling for Inverse Problem
• Title（参考訳）: 逆問題に対する測定アライメントサンプリング
• Authors: Shaorong Zhang, Rob Brekelmans, Yunshu Wu, Greg Ver Steeg,
• Abstract要約: 線形逆問題解決のための新しいフレームワークである計測アラインドサンプリング(MAS)を提案する。 MASはDDNMやTMPDのような既存のアプローチを統一し拡張し、既知のガウスノイズと未知あるいは非ガウスノイズの両方を扱うように一般化する。 大規模な実験により、MASは比較的低い計算コストを維持しながら、様々なタスクで最先端の手法を一貫して上回ることを示した。
• 参考スコア（独自算出の注目度）: 17.889504185837797
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models provide a powerful way to incorporate complex prior information for solving inverse problems. However, existing methods struggle to correctly incorporate guidance from conflicting signals in the prior and measurement, and often failed to maximizing the consistency to the measurement, especially in the challenging setting of non-Gaussian or unknown noise. To address these issues, we propose Measurement-Aligned Sampling (MAS), a novel framework for linear inverse problem solving that flexibly balances prior and measurement information. MAS unifies and extends existing approaches such as DDNM, TMPD, while generalizing to handle both known Gaussian noise and unknown or non-Gaussian noise types. Extensive experiments demonstrate that MAS consistently outperforms state-of-the-art methods across a variety of tasks, while maintaining relatively low computational cost.
• Abstract（参考訳）: 拡散モデルは、逆問題を解決するために複雑な事前情報を組み込む強力な方法を提供する。 しかし、既存の手法は、先行と測定において競合する信号からのガイダンスを正しく組み込むのに苦労し、特に非ガウス的または未知の雑音の挑戦的な設定において、測定の一貫性を最大化するのに失敗する。 これらの問題に対処するため、線形逆問題解決のための新しいフレームワークである計測アラインドサンプリング(MAS)を提案する。 MASはDDNMやTMPDのような既存のアプローチを統一し拡張し、既知のガウスノイズと未知あるいは非ガウスノイズの両方を扱うように一般化する。 大規模な実験により、MASは比較的低い計算コストを維持しながら、様々なタスクで最先端の手法を一貫して上回ることを示した。

関連論文リスト

• Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance [52.705112811734566]
  断片的なガイダンススキームを用いて,逆問題を解決するための新しい拡散型フレームワークが導入された。 提案手法は問題に依存しず,様々な逆問題に容易に適応できる。 このフレームワークは, (4時間), (8時間) の超分解能タスクに対して, (23%), (24%) および (24%) の無作為マスクを塗布する場合の (25%) の推論時間を短縮する。
  論文  参考訳（メタデータ） (2025-07-22T19:35:14Z)
• DAWN-FM: Data-Aware and Noise-Informed Flow Matching for Solving Inverse Problems [4.212663349859165]
  不完全またはノイズの観測からパラメータを推定する逆問題(逆問題)は、医療画像などの様々な分野で発生する。 簡単な参照分布をマップするために決定論的プロセスを統合する生成フレームワークであるフローマッチング(FM)を採用している。 我々の手法DAWN-FM: Data-AWare and Noise-informed Flow Matchingは,データとノイズの埋め込みを組み込んで,測定データに関する表現へのアクセスを可能にする。
  論文  参考訳（メタデータ） (2024-12-06T04:18:49Z)
• 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)
• Improving Diffusion Inverse Problem Solving with Decoupled Noise Annealing [84.97865583302244]
  Decoupled Annealing Posterior Smpling (DAPS) と呼ばれる新しい手法を提案する。 DAPSは、新しいノイズアニール法に依存している。 DAPSは複数の画像復元作業において,サンプル品質と安定性を著しく向上することを示した。
  論文  参考訳（メタデータ） (2024-07-01T17:59:23Z)
• GibbsDDRM: A Partially Collapsed Gibbs Sampler for Solving Blind Inverse Problems with Denoising Diffusion Restoration [64.8770356696056]
  本稿では,DDRM(Denoising Diffusion Restoration Models)の拡張であるGibbsDDRMを提案する。 提案手法は問題に依存しないため,様々な逆問題に対して事前学習した拡散モデルを適用することができる。
  論文  参考訳（メタデータ） (2023-01-30T06:27:48Z)
• Removing Structured Noise with Diffusion Models [13.50969999636388]
  拡散モデルによる後方サンプリングの強力なパラダイムは、リッチで構造化されたノイズモデルを含むように拡張可能であることを示す。 構成雑音による様々な逆問題に対して高い性能向上を示し、競争的ベースラインよりも優れた性能を示す。 これにより、非ガウス測度モデルの文脈における逆問題に対する拡散モデリングの新しい機会と関連する実践的応用が開かれる。
  論文  参考訳（メタデータ） (2023-01-20T23:42:25Z)
• Diffusion Model Based Posterior Sampling for Noisy Linear Inverse Problems [14.809545109705256]
  本稿では、簡単な閉形式近似を確率スコアに提案することにより、高速で効果的な解を提案する。 拡散モデルとフローベースモデルの両方において、様々な雑音線形逆問題に対して広範な実験を行う。 提案手法は,全ての基本手法よりもはるかに高速でありながら,高い競争力あるいはより優れた復元性能を示す。
  論文  参考訳（メタデータ） (2022-11-20T01:09:49Z)
• 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)
• 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)
• Solving Inverse Problems with a Flow-based Noise Model [100.18560761392692]
  本研究では,従来の正規化フローを用いた画像逆問題について検討する。 我々の定式化は、この解を測定値に条件付けされた画像の最大後値推定とみなす。 提案手法の様々な逆問題に対する有効性について実験的に検証した。
  論文  参考訳（メタデータ） (2020-03-18T08:33:49Z)

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。