論文の概要: Adaptive Multimodal Protein Plug-and-Play with Diffusion-Based Priors
- arxiv url: http://arxiv.org/abs/2507.21260v1
- Date: Mon, 28 Jul 2025 18:28:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-30 17:08:55.173122
- Title: Adaptive Multimodal Protein Plug-and-Play with Diffusion-Based Priors
- Title(参考訳): 拡散型プリミティブを用いた適応型マルチモーダルタンパク質プラグアンドプレイ
- Authors: Amartya Banerjee, Xingyu Xu, Caroline Moosmüller, Harlin Lee,
- Abstract要約: 逆問題において、ゴールは、通常、測定中に何らかの損失またはノイズのある変換を受けた未知のパラメータを復元することである。
近年、タンパク質構造生成の強力な先駆体として、特に拡散モデル(英語版)が出現している。
複数の不均一な実験源からの勾配を用いて、事前学習されたタンパク質拡散モデルを導くプラグイン・アンド・プレイフレームワークであるAdam-を紹介した。
- 参考スコア(独自算出の注目度): 5.809784853115825
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In an inverse problem, the goal is to recover an unknown parameter (e.g., an image) that has typically undergone some lossy or noisy transformation during measurement. Recently, deep generative models, particularly diffusion models, have emerged as powerful priors for protein structure generation. However, integrating noisy experimental data from multiple sources to guide these models remains a significant challenge. Existing methods often require precise knowledge of experimental noise levels and manually tuned weights for each data modality. In this work, we introduce Adam-PnP, a Plug-and-Play framework that guides a pre-trained protein diffusion model using gradients from multiple, heterogeneous experimental sources. Our framework features an adaptive noise estimation scheme and a dynamic modality weighting mechanism integrated into the diffusion process, which reduce the need for manual hyperparameter tuning. Experiments on complex reconstruction tasks demonstrate significantly improved accuracy using Adam-PnP.
- Abstract(参考訳): 逆問題において、ゴールは、通常、測定中に損失やノイズの変換を受けた未知のパラメータ(例:画像)を復元することである。
近年、タンパク質構造生成の強力な先駆体として、特に拡散モデル(英語版)が出現している。
しかし、これらのモデルを導くために複数のソースからノイズの多い実験データを統合することは大きな課題である。
既存の手法では、実験的なノイズレベルに関する正確な知識と、データごとに手動で重みを調整する必要があることが多い。
本研究では,多種多様な実験源からの勾配を用いて,事前学習したタンパク質拡散モデルを導くプラグイン・アンド・プレイフレームワークであるAdam-PnPを紹介する。
本フレームワークは,適応雑音推定方式と拡散過程に統合された動的モード重み付け機構を備え,手動ハイパーパラメータチューニングの必要性を低減している。
複雑な再構成タスクの実験では、Adam-PnPを用いた精度が大幅に向上した。
関連論文リスト
- One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。
拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。
提案手法は,実測値と非参照値の両方で高い性能を達成する。
論文 参考訳(メタデータ) (2025-03-09T09:39:57Z) - Heuristically Adaptive Diffusion-Model Evolutionary Strategy [1.8299322342860518]
拡散モデル(Diffusion Models)は、生成モデルにおいて重要な進歩を示す。
本研究は,拡散モデルと進化的アルゴリズムの基本的な関係を明らかにする。
我々のフレームワークは、進化的最適化プロセスにおいて、柔軟性、精度、制御性を高めたアルゴリズム上の大きな遷移を示す。
論文 参考訳(メタデータ) (2024-11-20T16:06:28Z) - One More Step: A Versatile Plug-and-Play Module for Rectifying Diffusion
Schedule Flaws and Enhancing Low-Frequency Controls [77.42510898755037]
One More Step (OMS) は、推論中に単純だが効果的なステップを付加したコンパクトネットワークである。
OMSは画像の忠実度を高め、トレーニングと推論の二分法を調和させ、元のモデルパラメータを保存する。
トレーニングが完了すると、同じ潜在ドメインを持つ様々な事前訓練された拡散モデルが同じOMSモジュールを共有することができる。
論文 参考訳(メタデータ) (2023-11-27T12:02:42Z) - SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。
推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。
拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
論文 参考訳(メタデータ) (2023-10-03T05:05:35Z) - Understanding Pathologies of Deep Heteroskedastic Regression [25.509884677111344]
ヘテロスケダスティックモデルは各データポイントの平均ノイズと残留ノイズの両方を予測する。
極端に言えば、これらのモデルはすべてのトレーニングデータを完璧に適合させ、残音を完全に排除する。
他方では、一定で非形式的な平均を予測しながら残音を過度に補正する。
中間地盤の欠如を観察し, モデル正則化強度に依存する相転移を示唆した。
論文 参考訳(メタデータ) (2023-06-29T06:31:27Z) - Data Augmentation for Seizure Prediction with Generative Diffusion Model [34.12334834099495]
DiffEEGと呼ばれる新しい拡散型DA法を提案する。
データ分散を完全に探索し、多様性の高いサンプルを生成することができる。
DiffEEGの貢献により、マルチスケールCNNは最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-06-14T05:44:53Z) - DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。
高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。
異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
論文 参考訳(メタデータ) (2023-03-15T16:14:06Z) - 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)
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。