論文の概要: PRISM: Probabilistic and Robust Inverse Solver with Measurement-Conditioned Diffusion Prior for Blind Inverse Problems
- arxiv url: http://arxiv.org/abs/2509.16106v1
- Date: Fri, 19 Sep 2025 15:49:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-22 18:18:11.237054
- Title: PRISM: Probabilistic and Robust Inverse Solver with Measurement-Conditioned Diffusion Prior for Blind Inverse Problems
- Title（参考訳）: PRISM: ブラインド逆問題に先立って測定条件付き拡散を伴う確率的・ロバスト逆解法
- Authors: Yuanyun Hu, Evan Bell, Guijin Wang, Yu Sun,
- Abstract要約: 測定条件付き拡散前(PRISM)を用いた新しい確率的・頑健な逆解法を提案する。
PRISMは、理論上原理化された後続サンプリングスキームに強力な測定条件付き拡散モデルを導入することで、現在の手法の技術的進歩を提供する。
ブラインド画像の劣化実験により提案手法の有効性が検証され、画像とぼやけたカーネルの回復において、最先端のベースラインよりもPRISMの優れた性能が示された。
- 参考スコア（独自算出の注目度）: 9.499981934098722
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion models are now commonly used to solve inverse problems in computational imaging. However, most diffusion-based inverse solvers require complete knowledge of the forward operator to be used. In this work, we introduce a novel probabilistic and robust inverse solver with measurement-conditioned diffusion prior (PRISM) to effectively address blind inverse problems. PRISM offers a technical advancement over current methods by incorporating a powerful measurement-conditioned diffusion model into a theoretically principled posterior sampling scheme. Experiments on blind image deblurring validate the effectiveness of the proposed method, demonstrating the superior performance of PRISM over state-of-the-art baselines in both image and blur kernel recovery.
- Abstract（参考訳）: 拡散モデルは現在、計算画像における逆問題の解法として一般的に用いられている。
しかし、拡散に基づく逆解法の多くはフォワード作用素の完全な知識を必要とする。
本研究では, 測定条件付き拡散前処理(PRISM)を用いた確率的, 頑健な逆解法を導入し, 視覚的逆問題に効果的に対処する。
PRISMは、理論上原理化された後続サンプリングスキームに強力な測定条件付き拡散モデルを導入することで、現在の手法の技術的進歩を提供する。
ブラインド画像の劣化実験により提案手法の有効性が検証され、画像とぼやけたカーネルの回復において、最先端のベースラインよりもPRISMの優れた性能が示された。
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) - DDRM-PR: Fourier Phase Retrieval using Denoising Diffusion Restoration Models [0.0]
本稿では,デノナイジング拡散回復モデルの効率的かつ教師なしの後方サンプリングフレームワークを利用する。
この手法は、モデルベースの交互射影法とDDRMを組み合わせて、事前訓練された無条件拡散前処理を位相検索に利用する。
論文 参考訳（メタデータ） (2025-01-06T14:18:23Z) - G2D2: Gradient-Guided Discrete Diffusion for Inverse Problem Solving [83.56510119503267]
本稿では,従来の離散拡散に基づく生成モデルを活用することによって,線形逆問題に対処する新しい手法を提案する。
我々は、従来の離散拡散モデルの欠点を吸収状態で緩和するために、星型ノイズプロセスを用いる。
論文 参考訳（メタデータ） (2024-10-09T06:18:25Z) - Diffusion Prior-Based Amortized Variational Inference for Noisy Inverse Problems [12.482127049881026]
そこで本稿では, 償却変分推論の観点から, 拡散による逆問題の解法を提案する。
我々の償却推論は、測定結果を対応するクリーンデータの暗黙の後方分布に直接マッピングする関数を学習し、未知の計測でも単一ステップの後方サンプリングを可能にする。
論文 参考訳（メタデータ） (2024-07-23T02:14:18Z) - Improving Diffusion Models for Inverse Problems Using Optimal Posterior Covariance [52.093434664236014]
近年の拡散モデルは、特定の逆問題に対して再訓練することなく、ノイズの多い線形逆問題に対する有望なゼロショット解を提供する。
この発見に触発されて、我々は、最大推定値から決定されるより原理化された共分散を用いて、最近の手法を改善することを提案する。
論文 参考訳（メタデータ） (2024-02-03T13:35:39Z) - Variational Bayesian Imaging with an Efficient Surrogate Score-based Prior [7.155937118886449]
不完全, 雑音の計測により, クリーンな画像後部を狙う不完全な逆画像問題について考察する。
最近の研究は、スコアベースの拡散モデルを、不適切な画像問題を解くための原則化された先行モデルに変えた。
提案するサロゲート先行法は, スコアベース拡散モデルの低境界に基づくものである。
論文 参考訳（メタデータ） (2023-09-05T04:55:10Z) - 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) - JPEG Artifact Correction using Denoising Diffusion Restoration Models [110.1244240726802]
本稿では,DDRM(Denoising Diffusion Restoration Models)に基づいて,非線形逆問題の解法を提案する。
我々は、DDRMで使用される擬逆演算子を活用し、この概念を他の測度演算子に一般化する。
論文 参考訳（メタデータ） (2022-09-23T23:47:00Z) - Denoising Diffusion Restoration Models [110.1244240726802]
Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。
DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
論文 参考訳（メタデータ） (2022-01-27T20:19:07Z)
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。