論文の概要: Exact Evaluation of the Accuracy of Diffusion Models for Inverse Problems with Gaussian Data Distributions

• arxiv url: http://arxiv.org/abs/2507.07008v1
• Date: Wed, 09 Jul 2025 16:36:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.676763
• Title: Exact Evaluation of the Accuracy of Diffusion Models for Inverse Problems with Gaussian Data Distributions
• Title（参考訳）: ガウス分布を用いた逆問題に対する拡散モデルの精度評価
• Authors: Emile Pierret, Bruno Galerne,
• Abstract要約: ガウスデータ分布に適用した場合の拡散モデルの精度について検討する。 この制約付き文脈内では、逆問題の理論解と拡散モデルを用いて得られた解との相違を正確に解析することができる。 文献と異なるアルゴリズムの比較が可能である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Used as priors for Bayesian inverse problems, diffusion models have recently attracted considerable attention in the literature. Their flexibility and high variance enable them to generate multiple solutions for a given task, such as inpainting, super-resolution, and deblurring. However, several unresolved questions remain about how well they perform. In this article, we investigate the accuracy of these models when applied to a Gaussian data distribution for deblurring. Within this constrained context, we are able to precisely analyze the discrepancy between the theoretical resolution of inverse problems and their resolution obtained using diffusion models by computing the exact Wasserstein distance between the distribution of the diffusion model sampler and the ideal distribution of solutions to the inverse problem. Our findings allow for the comparison of different algorithms from the literature.
• Abstract（参考訳）: ベイズ逆問題の前駆体として使われ、拡散モデルは近年、文献でかなりの注目を集めている。 その柔軟性と高い分散性により、インペイント、超解像、デブロアリングなど、与えられたタスクに対して複数のソリューションを生成することができる。 しかし、その性能についていくつかの未解決の疑問が残っている。 本稿では,これらのモデルのガウスデータ分布に適用した場合の精度について検討する。 この制約付き文脈において、拡散モデルサンプリング器の分布と逆問題に対する解の理想的な分布との正確なワッサーシュタイン距離を計算することにより、逆問題の理論解と拡散モデルを用いて得られる解との相違を正確に解析することができる。 文献と異なるアルゴリズムの比較が可能である。

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)
• Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
  機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。 非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
  論文  参考訳（メタデータ） (2024-08-20T19:06:02Z)
• Diffusion models for Gaussian distributions: Exact solutions and Wasserstein errors [0.0]
  データ分布がガウス的であるとき,拡散モデルの挙動とその数値的実装について検討する。 対象と数値的なサンプル分布間の正確なワッサースタイン誤差を,任意の数値スキームに対して計算する。
  論文  参考訳（メタデータ） (2024-05-23T07:28:56Z)
• Improved off-policy training of diffusion samplers [93.66433483772055]
  本研究では,非正規化密度やエネルギー関数を持つ分布からサンプルを抽出する拡散モデルの訓練問題について検討する。 シミュレーションに基づく変分法や非政治手法など,拡散構造推論手法のベンチマークを行った。 我々の結果は、過去の研究の主張に疑問を投げかけながら、既存のアルゴリズムの相対的な利点を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-02-07T18:51:49Z)
• 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)

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。