論文の概要: Consistency Models as Plug-and-Play Priors for Inverse Problems
- arxiv url: http://arxiv.org/abs/2509.22736v1
- Date: Thu, 25 Sep 2025 20:27:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-30 22:32:18.836888
- Title: Consistency Models as Plug-and-Play Priors for Inverse Problems
- Title（参考訳）: 逆問題に対するプラグ・アンド・プレイ先行モデルとしての一貫性モデル
- Authors: Merve Gülle, Junno Yun, Yaşar Utku Alçalar, Mehmet Akçakaya,
- Abstract要約: 拡散逆問題解法は、非条件スコア関数と前方過程に関する後部近似の組み合わせを用いて測定されたデータの後部から標本化することを目的としている。
我々は, 塗装, 勾配ノイズ注入, 磁気共鳴画像再構成など, 様々な逆問題に対するアプローチを評価した。
私たちの知る限りでは、これがMRIでトレーニングされた初めてのCMです。
- 参考スコア（独自算出の注目度）: 4.129847064263056
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Diffusion models have found extensive use in solving numerous inverse problems. Such diffusion inverse problem solvers aim to sample from the posterior distribution of data given the measurements, using a combination of the unconditional score function and an approximation of the posterior related to the forward process. Recently, consistency models (CMs) have been proposed to directly predict the final output from any point on the diffusion ODE trajectory, enabling high-quality sampling in just a few NFEs. CMs have also been utilized for inverse problems, but existing CM-based solvers either require additional task-specific training or utilize data fidelity operations with slow convergence, not amenable to large-scale problems. In this work, we reinterpret CMs as proximal operators of a prior, enabling their integration into plug-and-play (PnP) frameworks. We propose a solver based on PnP-ADMM, which enables us to leverage the fast convergence of conjugate gradient method. We further accelerate this with noise injection and momentum, dubbed PnP-CM, and show it maintains the convergence properties of the baseline PnP-ADMM. We evaluate our approach on a variety of inverse problems, including inpainting, super-resolution, Gaussian deblurring, and magnetic resonance imaging (MRI) reconstruction. To the best of our knowledge, this is the first CM trained for MRI datasets. Our results show that PnP-CM achieves high-quality reconstructions in as few as 4 NFEs, and can produce meaningful results in 2 steps, highlighting its effectiveness in real-world inverse problems while outperforming comparable CM-based approaches.
- Abstract（参考訳）: 拡散モデルは、多くの逆問題の解法に広く用いられている。
このような拡散逆問題解法は、非条件スコア関数と前処理に関する後処理の近似の組み合わせを用いて、測定したデータの後部分布からサンプリングすることを目的としている。
近年,拡散ODE軌道上の任意の点からの最終的な出力を直接予測する一貫性モデル (CM) が提案されている。
CMは逆問題にも利用されてきたが、既存のCMベースの解法はタスク固有の追加訓練を必要とするか、あるいは収束の遅いデータ忠実度演算を利用するかで、大規模な問題には対応できない。
本研究では,CMを前者の近位演算子として解釈し,プラグイン・アンド・プレイ(PnP)フレームワークへの統合を可能にする。
共役勾配法の高速収束を生かしたPnP-ADMMに基づく解法を提案する。
さらにPnP-CMと呼ばれるノイズ注入と運動量でこれを加速し、ベースラインPnP-ADMMの収束特性を維持することを示す。
Inpainting, super- resolution, Gaussian deblurring, MRI(MRI)再構成など,さまざまな逆問題に対するアプローチについて検討した。
私たちの知る限りでは、MRIデータセットのためにトレーニングされた初めてのCMです。
以上の結果から,PnP-CMは4個のNFEで高品質な再構成を実現し,実世界の逆問題において有意義な結果が得られることが示唆された。
関連論文リスト
- Solving Inverse Problems via Diffusion-Based Priors: An Approximation-Free Ensemble Sampling Approach [19.860268382547357]
現在のDMに基づく後方サンプリング法は、生成過程への近似に依存する。
近似を使わずに後続サンプリングを行うアンサンブルに基づくアルゴリズムを提案する。
本アルゴリズムは,DM法と連続モンテカルロ法を組み合わせた既存手法に動機づけられる。
論文 参考訳（メタデータ） (2025-06-04T14:09:25Z) - Integrating Intermediate Layer Optimization and Projected Gradient Descent for Solving Inverse Problems with Diffusion Models [19.445391508424667]
逆問題(IP)はノイズの観測から信号を再構成する。
DMはIPを解くための強力なフレームワークとして登場し、優れた再構築性能を実現している。
既存のDMベースの手法は、重い計算要求や準最適収束といった問題に頻繁に遭遇する。
これらの課題に対処するために,DMILOとDMILO-PGDという2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2025-05-27T06:49:02Z) - Guided Diffusion Sampling on Function Spaces with Applications to PDEs [111.87523128566781]
PDEに基づく逆問題における条件付きサンプリングのための一般的なフレームワークを提案する。
これは、関数空間拡散モデルと条件付けのためのプラグアンドプレイガイダンスによって達成される。
提案手法は,最先端の固定解像度拡散ベースラインに対して平均32%の精度向上を実現する。
論文 参考訳（メタデータ） (2025-05-22T17:58:12Z) - Think Twice Before You Act: Improving Inverse Problem Solving With MCMC [40.5682961122897]
事前学習した拡散モデルを用いて逆問題を解決するためにtextbfDiffusion textbfPosterior textbfDPMC(textbfDPMC)を提案する。
提案アルゴリズムは,ほぼすべてのタスクにおいてDPSよりも性能が優れており,既存手法と競合する。
論文 参考訳（メタデータ） (2024-09-13T06:10:54Z) - Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。
本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。
既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
論文 参考訳（メタデータ） (2024-07-25T09:53:12Z) - BlindDiff: Empowering Degradation Modelling in Diffusion Models for Blind Image Super-Resolution [52.47005445345593]
BlindDiff は SISR のブラインド劣化に対処するための DM ベースのブラインドSR 手法である。
BlindDiffはMAPベースの最適化をDMにシームレスに統合する。
合成データセットと実世界のデータセットの両方の実験は、BlindDiffが最先端のパフォーマンスを達成することを示している。
論文 参考訳（メタデータ） (2024-03-15T11:21:34Z) - Ambient Diffusion Posterior Sampling: Solving Inverse Problems with Diffusion Models Trained on Corrupted Data [54.09959775518994]
線形に破損したデータから学習した拡散モデルを用いて逆問題を解決するためのフレームワークを提供する。
加速度係数R=2,4,6,8のサブサンプルによるマルチコイル測定にのみアクセス可能なMRI拡散モデルを訓練する。
高加速度環境下でのMRI再構成において、サブサンプルデータでトレーニングされたA-DPSモデルは、完全サンプルデータでトレーニングされたモデルよりも逆問題の解決に適している。
論文 参考訳（メタデータ） (2024-03-13T17:28:20Z) - vSHARP: variable Splitting Half-quadratic Admm algorithm for Reconstruction of inverse-Problems [7.043932618116216]
vSHARP (variable Splitting Half-quadratic ADMM algorithm for Reconstruction of inverse Problems) は、医学的イメージング(MI)における不適切な逆問題の解法である。
データ一貫性のために、vSHARPは画像領域で微分勾配降下過程をアンロールし、一方、U-NetアーキテクチャのようなDLベースのデノイザは画質を高めるために適用される。
我々の最先端手法との比較分析は,これらの応用におけるvSHARPの優れた性能を示すものである。
論文 参考訳（メタデータ） (2023-09-18T17:26:22Z) - Moreau Envelope ADMM for Decentralized Weakly Convex Optimization [55.2289666758254]
本稿では,分散最適化のための乗算器の交互方向法(ADMM)の近位変種を提案する。
数値実験の結果,本手法は広く用いられている手法よりも高速かつ堅牢であることが示された。
論文 参考訳（メタデータ） (2023-08-31T14:16:30Z) - Diffusion Posterior Sampling for General Noisy Inverse Problems [50.873313752797124]
我々は、後方サンプリングの近似により、雑音(非線形)逆問題に対処するために拡散解法を拡張した。
本手法は,拡散モデルが様々な計測ノイズ統計を組み込むことができることを示す。
論文 参考訳（メタデータ） (2022-09-29T11:12:27Z)
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。