論文の概要: Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance

• arxiv url: http://arxiv.org/abs/2507.18654v1
• Date: Tue, 22 Jul 2025 19:35:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-28 16:16:48.686761
• Title: Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance
• Title（参考訳）: 鉛直誘導による後方サンプリングによる逆問題解の拡散モデル
• Authors: Saeed Mohseni-Sehdeh, Walid Saad, Kei Sakaguchi, Tao Yu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 52.705112811734566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models are powerful tools for sampling from high-dimensional distributions by progressively transforming pure noise into structured data through a denoising process. When equipped with a guidance mechanism, these models can also generate samples from conditional distributions. In this paper, a novel diffusion-based framework is introduced for solving inverse problems using a piecewise guidance scheme. The guidance term is defined as a piecewise function of the diffusion timestep, facilitating the use of different approximations during high-noise and low-noise phases. This design is shown to effectively balance computational efficiency with the accuracy of the guidance term. Unlike task-specific approaches that require retraining for each problem, the proposed method is problem-agnostic and readily adaptable to a variety of inverse problems. Additionally, it explicitly incorporates measurement noise into the reconstruction process. The effectiveness of the proposed framework is demonstrated through extensive experiments on image restoration tasks, specifically image inpainting and super-resolution. Using a class conditional diffusion model for recovery, compared to the \pgdm baseline, the proposed framework achieves a reduction in inference time of \(25\%\) for inpainting with both random and center masks, and \(23\%\) and \(24\%\) for \(4\times\) and \(8\times\) super-resolution tasks, respectively, while incurring only negligible loss in PSNR and SSIM.
• Abstract（参考訳）: 拡散モデル (diffusion model) は、純粋なノイズを段階的にデノナイジングプロセスを通じて構造化データに変換することによって、高次元分布からサンプリングする強力なツールである。 誘導機構を備えると、これらのモデルは条件分布からサンプルを生成することもできる。 本稿では,一括誘導方式を用いて,逆問題を解決するための新しい拡散型フレームワークを提案する。 誘導項は拡散時間ステップのピースワイズ関数として定義され、高雑音および低雑音相における異なる近似の使用を容易にする。 この設計は、計算効率とガイダンス項の精度を効果的にバランスさせることが示されている。 各問題に対して再トレーニングを必要とするタスク固有のアプローチとは異なり、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。 さらに、計測ノイズを復元プロセスに明示的に組み込む。 提案手法の有効性は,画像復元作業,特に画像インペイントと超解像に関する広範な実験を通じて実証される。 pgdmベースラインと比較して,本フレームワークは,PSNRとSSIMの負の損失のみを発生させつつ,それぞれ,無作為マスクと中心マスクの塗布に要する \(25\%\) と, \(4\times\) と \(24\%\) の超分解能タスクに対する \(23\%\) と \(24\%\) の推論時間を減少させる。

関連論文リスト

• Zero-Shot Solving of Imaging Inverse Problems via Noise-Refined Likelihood Guided Diffusion Models [10.74767402912109]
  モデル再構成なしに様々な画像逆問題に対処できるゼロショットフレームワークを提案する。 そこで我々は,確率値の閉形式近似を導出するノイズ改善機構を提案する。 我々は、推論効率をさらに向上するために、Denoising Diffusion Implicit Models (DDIM) サンプリング戦略を統合する。
  論文  参考訳（メタデータ） (2025-06-16T11:56:50Z)
• VIPaint: Image Inpainting with Pre-Trained Diffusion Models via Variational Inference [5.852077003870417]
  我々のVIPaint法は,提案手法の妥当性と多様性の両方において,従来の手法よりも優れていることを示す。 我々のVIPaint法は,提案手法の妥当性と多様性の両方において,従来の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-28T05:35:36Z)
• Bayesian Conditioned Diffusion Models for Inverse Problems [11.67269909384503]
  拡散モデルは、前方測定演算子に基づく逆問題を含む多くの画像再構成タスクにおいて優れている。 本稿では,所望の画像の条件分布に関連付けられたスコア関数に基づく拡散モデルBCDMのための新しいベイズ条件付け手法を提案する。 提案手法を用いて,画像処理,デブロアリング,超高解像度化,及びインペイントにおける最先端性能を示す。
  論文  参考訳（メタデータ） (2024-06-14T07:13:03Z)
• 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)
• 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)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)

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。