論文の概要: Automated Tuning for Diffusion Inverse Problem Solvers without Generative Prior Retraining

• arxiv url: http://arxiv.org/abs/2509.09880v1
• Date: Thu, 11 Sep 2025 22:22:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:07.937763
• Title: Automated Tuning for Diffusion Inverse Problem Solvers without Generative Prior Retraining
• Title（参考訳）: 事前学習を伴わない拡散逆問題解の自動チューニング
• Authors: Yaşar Utku Alçalar, Junno Yun, Mehmet Akçakaya,
• Abstract要約: 拡散/スコアベースのモデルは、逆問題を解決するための強力な生成前駆体として現れてきた。 本稿では,任意のノイズスケジュールで忠実度重みを調整するテスト時間最適化手法であるZero-shot Adaptive Diffusion Smpling (ZADS)を提案する。 ZADSは、従来の圧縮センシングと最近の拡散ベースの手法の両方より一貫して優れている。
• 参考スコア（独自算出の注目度）: 4.511561231517167
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Diffusion/score-based models have recently emerged as powerful generative priors for solving inverse problems, including accelerated MRI reconstruction. While their flexibility allows decoupling the measurement model from the learned prior, their performance heavily depends on carefully tuned data fidelity weights, especially under fast sampling schedules with few denoising steps. Existing approaches often rely on heuristics or fixed weights, which fail to generalize across varying measurement conditions and irregular timestep schedules. In this work, we propose Zero-shot Adaptive Diffusion Sampling (ZADS), a test-time optimization method that adaptively tunes fidelity weights across arbitrary noise schedules without requiring retraining of the diffusion prior. ZADS treats the denoising process as a fixed unrolled sampler and optimizes fidelity weights in a self-supervised manner using only undersampled measurements. Experiments on the fastMRI knee dataset demonstrate that ZADS consistently outperforms both traditional compressed sensing and recent diffusion-based methods, showcasing its ability to deliver high-fidelity reconstructions across varying noise schedules and acquisition settings.
• Abstract（参考訳）: 拡散/スコアベースモデルは最近、MRI再構成の高速化を含む逆問題を解決するための強力な生成前駆体として登場した。 それらの柔軟性は、学習前のモデルから測定モデルを分離することを可能にするが、その性能は慎重に調整されたデータの忠実度重みに大きく依存する。 既存のアプローチは、しばしばヒューリスティックや固定ウェイトに依存しており、様々な測定条件や不規則なタイムステップスケジュールにまたがる一般化に失敗する。 本研究では,任意のノイズスケジュールに適応的に重み付けを行うテスト時間最適化手法であるZero-shot Adaptive Diffusion Smpling (ZADS)を提案する。 ZADSは、デノナイジング過程を固定されたアンロール標本として扱い、アンダーサンプル測定のみを用いて自己監督的な方法で忠実度重みを最適化する。 fastMRI膝のデータセットの実験では、ZADSは従来の圧縮されたセンシングと最近の拡散に基づく手法の両方を一貫して上回り、様々なノイズスケジュールと取得設定にまたがって高忠実な再構成を実現する能力を示している。

関連論文リスト

• Adaptive Multimodal Protein Plug-and-Play with Diffusion-Based Priors [5.809784853115825]
  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。
  論文  参考訳（メタデータ） (2025-07-28T18:28:03Z)
• Noise Conditional Variational Score Distillation [60.38982038894823]
  騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。 この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
  論文  参考訳（メタデータ） (2025-06-11T06:01:39Z)
• Zero-Shot Adaptation for Approximate Posterior Sampling of Diffusion Models in Inverse Problems [2.8237889121096034]
  画像の逆問題に対するゼロショット近似後方サンプリング(ZAPS)を提案する。 ZAPSはサンプリングステップの数を修正し、物理学誘導損失関数によるゼロショットトレーニングを使用して、不規則な時間ステップ毎にログライクな重みを学習する。 以上の結果から,ZAPSは推定時間を短縮し,不規則な騒音スケジュールに頑健性を提供し,再現性の向上を図っている。
  論文  参考訳（メタデータ） (2024-07-16T00:09:37Z)
• 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)
• Unmasking Bias in Diffusion Model Training [40.90066994983719]
  拡散モデルが画像生成の主流のアプローチとして登場した。 トレーニングの収束が遅く、サンプリングのカラーシフトの問題に悩まされている。 本稿では,これらの障害は,既定のトレーニングパラダイムに固有のバイアスや準最適性に大きく起因していると考えられる。
  論文  参考訳（メタデータ） (2023-10-12T16:04:41Z)
• 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)
• 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)

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。