論文の概要: Plug-and-play Diffusion Models for Image Compressive Sensing with Data Consistency Projection

• arxiv url: http://arxiv.org/abs/2509.09365v1
• Date: Thu, 11 Sep 2025 11:30:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.355395
• Title: Plug-and-play Diffusion Models for Image Compressive Sensing with Data Consistency Projection
• Title（参考訳）: データ整合性投影による画像圧縮センシングのためのプラグアンドプレイ拡散モデル
• Authors: Xiaodong Wang, Ping Wang, Zhangyuan Li, Xin Yuan,
• Abstract要約: プラグイン・アンド・プレイ(プレイ)法とインプリシット・インプリシット・モデル(DDIM)の関連性について検討する。 我々は、学習した事前を物理フォワードモデルと原則的に統合する統一的なフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 11.296566218142521
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We explore the connection between Plug-and-Play (PnP) methods and Denoising Diffusion Implicit Models (DDIM) for solving ill-posed inverse problems, with a focus on single-pixel imaging. We begin by identifying key distinctions between PnP and diffusion models-particularly in their denoising mechanisms and sampling procedures. By decoupling the diffusion process into three interpretable stages: denoising, data consistency enforcement, and sampling, we provide a unified framework that integrates learned priors with physical forward models in a principled manner. Building upon this insight, we propose a hybrid data-consistency module that linearly combines multiple PnP-style fidelity terms. This hybrid correction is applied directly to the denoised estimate, improving measurement consistency without disrupting the diffusion sampling trajectory. Experimental results on single-pixel imaging tasks demonstrate that our method achieves better reconstruction quality.
• Abstract（参考訳）: PnP(Plug-and-Play)法とDDIM(Denoising Diffusion Implicit Models)の関連性を検討した。 まず,PnPと拡散モデルの主な相違点の同定から始める。 拡散過程を3つの解釈可能な段階に分解することで,学習した事前を物理フォワードモデルと原則的に統合する統合されたフレームワークを提供する。 この知見に基づいて、複数のPnPスタイルの忠実度項を線形に結合するハイブリッドデータ一貫性モジュールを提案する。 このハイブリッド補正は偏差推定に直接適用され、拡散サンプリング軌道を乱すことなく測定一貫性を向上させる。 単画素撮像における実験結果から,本手法が再現性の向上を図っている。

関連論文リスト

• Plug-and-Play Posterior Sampling for Blind Inverse Problems [13.03644140515531]
  本稿では,ブラインド・プラグ・アンド・プレイ拡散モデル (Blind-DM) を視覚的逆問題解決のための新しいフレームワークとして紹介する。 従来のパラメータ推定手法とは異なり,本手法では,問題を交互に復調シーケンスに再キャストすることで後続サンプリングを行う。
  論文  参考訳（メタデータ） (2025-05-28T22:53:07Z)
• Learning Diffusion Model from Noisy Measurement using Principled Expectation-Maximization Method [9.173055778539641]
  本稿では,任意の破損型を持つ雑音データから拡散モデルを反復的に学習する,原則的予測最大化(EM)フレームワークを提案する。 筆者らはモンテカルロ法を用いて,ノイズ測定からクリーンな画像を正確に推定し,次いで再構成画像を用いて拡散モデルを訓練した。
  論文  参考訳（メタデータ） (2024-10-15T03:54:59Z)
• Provably Robust Score-Based Diffusion Posterior Sampling for Plug-and-Play Image Reconstruction [31.503662384666274]
  科学と工学において、ゴールは、ある画像のモダリティを記述する既知のフォワードモデルから収集された少数の測定値から未知の画像を推測することである。 モチベートされたスコアベース拡散モデルはその経験的成功により、画像再構成に先立って模範の印象的な候補として現れた。
  論文  参考訳（メタデータ） (2024-03-25T15:58:26Z)
• Denoising Diffusion Bridge Models [54.87947768074036]
  拡散モデルは、プロセスを使用してデータにノイズをマッピングする強力な生成モデルである。 画像編集のような多くのアプリケーションでは、モデル入力はランダムノイズではない分布から来る。 本研究では, DDBM(Denoising Diffusion Bridge Models)を提案する。
  論文  参考訳（メタデータ） (2023-09-29T03:24:24Z)
• Simultaneous Image-to-Zero and Zero-to-Noise: Diffusion Models with Analytical Image Attenuation [53.04220377034574]
  高品質(未条件)な画像生成のための前方拡散プロセスに解析的画像減衰プロセスを導入することを提案する。 本手法は,フォワード画像からノイズへのマッピングを,テクスチメジからゼロへのマッピングとテクスティケロ・ツー・ノイズマッピングの同時マッピングとして表現する。 我々は,CIFAR-10やCelebA-HQ-256などの無条件画像生成や,超解像,サリエンシ検出,エッジ検出,画像インペインティングなどの画像条件下での下流処理について実験を行った。
  論文  参考訳（メタデータ） (2023-06-23T18:08:00Z)

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。