論文の概要: An invertible generative model for forward and inverse problems
- arxiv url: http://arxiv.org/abs/2509.03910v1
- Date: Thu, 04 Sep 2025 06:04:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-05 20:21:10.071477
- Title: An invertible generative model for forward and inverse problems
- Title（参考訳）: 前方および逆問題に対する可逆生成モデル
- Authors: Tristan van Leeuwen, Christoph Brune, Marcello Carioni,
- Abstract要約: 我々は、生成モデルを訓練し、(可能性からサンプルを)シミュレートし、推論を行えるようにします。
シミュレーションや推論に使用できる2つの三角形写像(上と下)を1つの可逆写像に組み合わせる方法を示す。
- 参考スコア（独自算出の注目度）: 2.000890150701116
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We formulate the inverse problem in a Bayesian framework and aim to train a generative model that allows us to simulate (i.e., sample from the likelihood) and do inference (i.e., sample from the posterior). We review the use of triangular normalizing flows for conditional sampling in this context and show how to combine two such triangular maps (an upper and a lower one) in to one invertible mapping that can be used for simulation and inference. We work out several useful properties of this invertible generative model and propose a possible training loss for training the map directly. We illustrate the workings of this new approach to conditional generative modeling numerically on a few stylized examples.
- Abstract（参考訳）: ベイズ的枠組みの逆問題を定式化し、生成モデルを訓練し、(可能性からサンプルを)シミュレートし、(後部からのサンプルを)推論できるようにする。
この文脈での条件付きサンプリングにおける三角形正規化フローの使用を概観し、シミュレーションや推論に使用できる2つの三角形写像(上と下)を1つの可逆写像に組み合わせる方法について述べる。
本稿では,この非可逆生成モデルのいくつかの有用な特性について検討し,地図を直接学習するためのトレーニング損失の可能性を提案する。
本稿では, 条件付き生成モデルへの新たなアプローチの取り組みについて, いくつか例を挙げて数値的に解説する。
関連論文リスト
- Generative Modeling with Bayesian Sample Inference [50.07758840675341]
我々は,反復的なガウス後部推論から新しい生成モデルを導出した。
我々のモデルは、未知のサンプルを反復的に絞り込むために、一連の予測と後続の更新ステップを使用する。
実験では,BFNと近縁な変分拡散モデルの両方に対して,ImageNet32のサンプル品質が向上することが実証された。
論文 参考訳（メタデータ） (2025-02-11T14:27:10Z) - Diffusion with Forward Models: Solving Stochastic Inverse Problems
Without Direct Supervision [76.32860119056964]
本稿では,直接観測されない信号の分布からサンプルを学習する拡散確率モデルを提案する。
コンピュータビジョンの課題3つの課題に対して,本手法の有効性を示す。
論文 参考訳（メタデータ） (2023-06-20T17:53:00Z) - Conformal Generative Modeling on Triangulated Surfaces [31.870141076085716]
離散三角形メッシュにより近似された2次元表面における共形生成モデリングの枠組みである共形生成モデリングを提案する。
我々のアプローチは、離散共形幾何学の進歩を利用して、原三角形メッシュから球面のような単純な多様体のターゲット三角形メッシュへの写像を開発する。
論文 参考訳（メタデータ） (2023-03-17T21:06:47Z) - Example-Based Sampling with Diffusion Models [7.943023838493658]
画像生成のための拡散モデルは、例から点集合を生成する方法を学ぶのに適している。
拡散モデルを用いて既存のサンプルを模した2次元点集合を観測点集合から生成する方法を提案する。
我々は、我々のアプローチの微分可能性を用いて、特性を強制する点集合を最適化する方法を実証する。
論文 参考訳（メタデータ） (2023-02-10T08:35:17Z) - OCD: Learning to Overfit with Conditional Diffusion Models [95.1828574518325]
入力サンプルxに重みを条件付けした動的モデルを提案する。
基本モデルを x とそのラベル y 上で微調整することで得られる重みに一致することを学習する。
論文 参考訳（メタデータ） (2022-10-02T09:42:47Z) - Probabilistic Modeling for Human Mesh Recovery [73.11532990173441]
本稿では,2次元の証拠から3次元の人体復元の問題に焦点を当てた。
我々は,この問題を,入力から3Dポーズの分布へのマッピング学習として再考した。
論文 参考訳（メタデータ） (2021-08-26T17:55:11Z) - PixelTransformer: Sample Conditioned Signal Generation [60.764218381636184]
本研究では,スパース試料に条件付き信号の分布を推定できる生成モデルを提案する。
逐次自己回帰生成モデルとは対照的に,任意のサンプルに対する条件付けが可能であり,任意の場所に対する分散クエリに答えることができる。
論文 参考訳（メタデータ） (2021-03-29T17:59:33Z) - Conditional Sampling with Monotone GANs: from Generative Models to
Likelihood-Free Inference [4.913013713982677]
ブロック三角トランスポートマップを用いた確率測定の条件付きサンプリングのための新しいフレームワークを提案する。
バナッハ空間におけるブロック三角輸送の理論的基礎を開発する。
次に, 単調生成逆数ネットワークと呼ばれる計算手法を導入し, 適切なブロック三角形写像を学習する。
論文 参考訳（メタデータ） (2020-06-11T19:15:43Z)
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。