論文の概要: SAIP: A Plug-and-Play Scale-adaptive Module in Diffusion-based Inverse Problems

• arxiv url: http://arxiv.org/abs/2509.24580v1
• Date: Mon, 29 Sep 2025 10:41:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.926317
• Title: SAIP: A Plug-and-Play Scale-adaptive Module in Diffusion-based Inverse Problems
• Title（参考訳）: SAIP:拡散型逆問題におけるプラグアンドプレイスケール適応モジュール
• Authors: Lingyu Wang, Xiangming Meng,
• Abstract要約: 拡散バックボーンの再トレーニングや変更をすることなく,各タイミングで適応的にスケールを改良するプラグイン・アンド・プレイモジュールであるSAIPを提案する。 SAIPは既存のサンプルにシームレスに統合され、多様な画像復元タスクの再構築品質を継続的に改善する。
• 参考スコア（独自算出の注目度）: 12.610928739169774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solving inverse problems with diffusion models has shown promise in tasks such as image restoration. A common approach is to formulate the problem in a Bayesian framework and sample from the posterior by combining the prior score with the likelihood score. Since the likelihood term is often intractable, estimators like DPS, DMPS, and $\pi$GDM are widely adopted. However, these methods rely on a fixed, manually tuned scale to balance prior and likelihood contributions. Such a static design is suboptimal, as the ideal balance varies across timesteps and tasks, limiting performance and generalization. To address this issue, we propose SAIP, a plug-and-play module that adaptively refines the scale at each timestep without retraining or altering the diffusion backbone. SAIP integrates seamlessly into existing samplers and consistently improves reconstruction quality across diverse image restoration tasks, including challenging scenarios.
• Abstract（参考訳）: 拡散モデルによる逆問題の解法は、画像復元などのタスクにおいて有望であることが示されている。 一般的なアプローチは、ベイズフレームワークの問題を定式化し、事前のスコアと確率のスコアを組み合わせることで、後方からサンプルをサンプリングすることである。 確率項はしばしば難解であるため、DPS、DMPS、$\pi$GDMなどの推定器が広く採用されている。 しかし、これらの手法は、事前および潜在的貢献のバランスをとるために、固定された手作業で調整されたスケールに依存している。 このような静的な設計は、理想的なバランスがタイムステップやタスクによって異なり、性能や一般化が制限されるため、最適以下である。 この問題に対処するために,拡散バックボーンをリトレーニングしたり変更したりすることなく,各時点のスケールを適応的に改善するプラグイン・アンド・プレイ・モジュールであるSAIPを提案する。 SAIPは既存のサンプルにシームレスに統合され、難解なシナリオを含むさまざまな画像復元タスクの再構築品質を一貫して改善する。

関連論文リスト

• Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance [52.705112811734566]
  断片的なガイダンススキームを用いて,逆問題を解決するための新しい拡散型フレームワークが導入された。 提案手法は問題に依存しず,様々な逆問題に容易に適応できる。 このフレームワークは, (4時間), (8時間) の超分解能タスクに対して, (23%), (24%) および (24%) の無作為マスクを塗布する場合の (25%) の推論時間を短縮する。
  論文  参考訳（メタデータ） (2025-07-22T19:35:14Z)
• DGSolver: Diffusion Generalist Solver with Universal Posterior Sampling for Image Restoration [49.16449955997501]
  bfDGrは、普遍的な後続サンプリングを持つ拡散解法である。 コードとモデルはhttps://github.com/MiliLab/DGr.comから入手できる。
  論文  参考訳（メタデータ） (2025-04-30T10:12:48Z)
• 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)
• Blind Image Restoration via Fast Diffusion Inversion [17.139433082780037]
  Blind Image Restoration via fast Diffusion (BIRD) は、劣化モデルパラメータと復元画像の協調最適化を行うブラインド赤外線法である。 提案手法の鍵となる考え方は、初期ノイズがサンプリングされると、逆サンプリングを変更すること、すなわち、中間潜水剤を全て変更しないことである。 画像復元作業におけるBIRDの有効性を実験的に検証し,それらすべてに対して,その成果が得られたことを示す。
  論文  参考訳（メタデータ） (2024-05-29T23:38:12Z)
• 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)
• 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)
• 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。