Fugu-MT 論文翻訳(概要): FMPlug: Plug-In Foundation Flow-Matching Priors for Inverse Problems

論文の概要: FMPlug: Plug-In Foundation Flow-Matching Priors for Inverse Problems

arxiv url: http://arxiv.org/abs/2508.00721v1
Date: Fri, 01 Aug 2025 15:40:37 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-04 18:08:53.938585
Title: FMPlug: Plug-In Foundation Flow-Matching Priors for Inverse Problems
Title（参考訳）: FMPlug: 逆問題に対するFMPlugのプラグインフローマッチング
Authors: Yuxiang Wan, Ryan Devera, Wenjie Zhang, Ju Sun,
Abstract要約: FMPlugは,基礎フローマッチング(Foundation Flow-matching, FM)の先行性を高める新しいプラグインフレームワークである。 FMPlugはドメイン特化や訓練されていない事前のアプローチとは異なり、シンプルだが強力な2つの洞察を賢く活用する。
参考スコア（独自算出の注目度）: 6.3140989721044445
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present FMPlug, a novel plug-in framework that enhances foundation flow-matching (FM) priors for solving ill-posed inverse problems. Unlike traditional approaches that rely on domain-specific or untrained priors, FMPlug smartly leverages two simple but powerful insights: the similarity between observed and desired objects and the Gaussianity of generative flows. By introducing a time-adaptive warm-up strategy and sharp Gaussianity regularization, FMPlug unlocks the true potential of domain-agnostic foundation models. Our method beats state-of-the-art methods that use foundation FM priors by significant margins, on image super-resolution and Gaussian deblurring.
Abstract（参考訳）: FMPlugは、不適切な逆問題を解決するための基礎フローマッチング(FM)の先行性を高める新しいプラグインフレームワークである。 FMPlugは、ドメイン固有または未学習の先行に頼っている伝統的なアプローチとは異なり、観測対象と所望対象の類似性と生成フローのガウス性という2つの単純で強力な洞察を賢く活用する。時間順応的なウォームアップ戦略と鋭いガウス正則化を導入することで、FMPlugはドメインに依存しない基礎モデルの真の可能性を解き放ちます。提案手法は,画像の超解像およびガウス的デブロワーリングにおいて,基礎的FM先行値を用いた最先端手法を著しく上回っている。

関連論文リスト

Measurement-aligned Flow for Inverse Problem [19.189110820948674]
測定アラインドサンプリング(MAS)は線形逆問題解決のための新しいフレームワークである。我々は,MASが一連のタスクにおいて,最先端のメソッドよりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2025-06-13T15:39:54Z)
Diffusion prior as a direct regularization term for FWI [0.0]
フルウェーブフォーム・インバージョン(FWI)に先立つスコアベース生成拡散を提案する。従来の拡散法とは異なり,本手法は逆拡散サンプリングを回避し,イテレーションを少なくする。提案手法は,従来およびGANベースのFWI手法と比較して,忠実度と堅牢性を向上する。
論文参考訳（メタデータ） (2025-06-11T19:43:23Z)
Solving Inverse Problems with FLAIR [59.02385492199431]
フローベースの潜在生成モデルは、驚くべき品質の画像を生成でき、テキスト・ツー・イメージ生成も可能である。本稿では,フローベース生成モデルを逆問題の前兆として活用する新しい学習自由変分フレームワークFLAIRを提案する。標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文参考訳（メタデータ） (2025-06-03T09:29:47Z)
Flow matching achieves almost minimax optimal convergence [50.38891696297888]
フローマッチング (FM) は, シミュレーションのない生成モデルとして注目されている。本稿では,大試料径のFMの収束特性を$p$-Wasserstein 距離で論じる。我々は、FMが1leq p leq 2$でほぼ最小の収束率を達成できることを確立し、FMが拡散モデルに匹敵する収束率に達するという最初の理論的証拠を示す。
論文参考訳（メタデータ） (2024-05-31T14:54:51Z)
Optimal Flow Matching: Learning Straight Trajectories in Just One Step [89.37027530300617]
我々は,新しいtextbf Optimal Flow Matching (OFM) アプローチを開発し,理論的に正当化する。これは2次輸送のための直列のOT変位をFMの1ステップで回復することを可能にする。提案手法の主な考え方は,凸関数によってパラメータ化されるFMのベクトル場の利用である。
論文参考訳（メタデータ） (2024-03-19T19:44:54Z)
On Principled Local Optimization Methods for Federated Learning [2.628859872479184]
論文は、以下の3つの方向において、局所的手法の理論的基礎を前進させることを目的としている。まず、フェデレートラーニングで最も人気のあるアルゴリズムであるFedAvgのシャープバウンドを確立する。次に,FedAc(Federated Accelerated Descent)を提案する。
論文参考訳（メタデータ） (2024-01-24T03:57:45Z)
GAFlow: Incorporating Gaussian Attention into Optical Flow [62.646389181507764]
我々はガウス的注意(GA)を光学フローモデルに押し込み、表現学習中に局所特性をアクセントする。本稿では,既存の Transformer ブロックに簡単に接続可能な新しい Gaussian-Constrained Layer (GCL) を提案する。動作解析のための新しいガウス誘導注意モジュール(GGAM)を提供する。
論文参考訳（メタデータ） (2023-09-28T07:46:01Z)
Training-free Linear Image Inverses via Flows [17.291903204982326]
本研究では,事前学習フローモデルを用いて,線形逆問題に対する学習自由度を求める手法を提案する。提案手法では,高次元データセット上でのノイズの多い線形逆問題に対して,問題固有のチューニングは不要である。
論文参考訳（メタデータ） (2023-09-25T22:13:16Z)
Poisson-Gaussian Holographic Phase Retrieval with Score-based Image Prior [19.231581775644617]
本稿では,スコア関数を先行生成関数とする高速化されたWirtinger Flow (AWF) を用いた新しいアルゴリズム"AWFS"を提案する。 PRの対数様関数の勾配を計算し、リプシッツ定数を決定する。本稿では,提案アルゴリズムの臨界点収束保証を確立する理論的解析を行う。
論文参考訳（メタデータ） (2023-05-12T18:08:47Z)
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)
NF-ULA: Langevin Monte Carlo with Normalizing Flow Prior for Imaging Inverse Problems [7.38079566297881]
我々は,NF-ULA (Normalizing Flow-based Unadjusted Langevin algorithm) を導入する。 NF-ULAは、深刻な逆問題に対して競合する手法よりも優れていた。
論文参考訳（メタデータ） (2023-04-17T15:03:45Z)
Faster Adaptive Federated Learning [84.38913517122619]
フェデレートラーニングは分散データの出現に伴って注目を集めている。本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
論文参考訳（メタデータ） (2022-12-02T05:07:50Z)

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。