論文の概要: Contrastive Diffusion Guidance for Spatial Inverse Problems

• arxiv url: http://arxiv.org/abs/2509.26489v1
• Date: Tue, 30 Sep 2025 16:33:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.621979
• Title: Contrastive Diffusion Guidance for Spatial Inverse Problems
• Title（参考訳）: 空間逆問題に対するコントラスト拡散誘導法
• Authors: Sattwik Basu, Chaitanya Amballa, Zhongweiyang Xu, Jorge Vančo Sampedro, Srihari Nelakuditi, Romit Roy Choudhury,
• Abstract要約: 多くのフロアプランが同じ運動軌跡を説明できるため、直接反転は不十分である。 拡散型後部サンプリング器を用いて, 測定値に整合したレイアウトを生成する。 この埋め込み空間における確率スコアの代理形式は、真の確率スコアに対する有効な近似であることを示す。
• 参考スコア（独自算出の注目度）: 7.228107711723367
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the inverse problem of reconstructing the spatial layout of a place, a home floorplan for example, from a user`s movements inside that layout. Direct inversion is ill-posed since many floorplans can explain the same movement trajectories. We adopt a diffusion-based posterior sampler to generate layouts consistent with the measurements. While active research is in progress on generative inverse solvers, we find that the forward operator in our problem poses new challenges. The path-planning process inside a floorplan is a non-invertible, non-differentiable function, and causes instability while optimizing using the likelihood score. We break-away from existing approaches and reformulate the likelihood score in a smoother embedding space. The embedding space is trained with a contrastive loss which brings compatible floorplans and trajectories close to each other, while pushing mismatched pairs far apart. We show that a surrogate form of the likelihood score in this embedding space is a valid approximation of the true likelihood score, making it possible to steer the denoising process towards the posterior. Across extensive experiments, our model CoGuide produces more consistent floorplans from trajectories, and is more robust than differentiable-planner baselines and guided-diffusion methods.
• Abstract（参考訳）: 本研究では,そのレイアウト内のユーザの動きから,例えばホームフロアプランである場所の空間的レイアウトを再構築する際の逆問題について考察する。 多くのフロアプランが同じ運動軌跡を説明できるため、直接反転は不十分である。 拡散型後部サンプリング器を用いて, 測定値に整合したレイアウトを生成する。 生成的逆解法に関する活発な研究が進行中であるが、我々の問題におけるフォワードオペレーターが新たな課題をもたらすことが判明した。 フロアプラン内の経路計画過程は、非可逆で微分不可能な関数であり、確率スコアを用いて最適化しながら不安定を引き起こす。 我々は既存のアプローチから脱却し、よりスムーズな埋め込み空間における可能性スコアを再構成する。 埋め込み空間は、相反するフロアプランと軌道を互いに近接させながら、不一致のペアを遠くに押すコントラスト的な損失で訓練される。 この埋め込み空間における確率スコアの代理形式は、真の確率スコアの有効な近似であり、後部への偏極過程を操ることができることを示す。 広範にわたる実験で、我々のモデルであるCoGuideは、軌道からより一貫したフロアプランを生成し、微分可能なプランナーベースラインや誘導拡散法よりも堅牢である。

関連論文リスト

• Aligning Latent Spaces with Flow Priors [72.24305287508474]
  本稿では,学習可能な潜在空間を任意の目標分布に整合させるための新しいフレームワークを提案する。 特に,提案手法は計算コストの高い確率評価を排除し,最適化時のODE解決を回避する。
  論文  参考訳（メタデータ） (2025-06-05T16:59:53Z)
• Prototype Clustered Diffusion Models for Versatile Inverse Problems [11.55838697574475]
  測定に基づく確率は、逆の確率的図形方向を通した復元に基づく確率で再現可能であることを示す。 提案手法は, サンプル品質を考慮に入れた逆問題に対処し, 精度の高い劣化制御を実現する。
  論文  参考訳（メタデータ） (2024-07-13T04:24:53Z)
• Diffusion-ES: Gradient-free Planning with Diffusion for Autonomous Driving and Zero-Shot Instruction Following [21.81411085058986]
  Reward-gradient guided denoisingは、微分可能報酬関数と拡散モデルによって捕捉されたデータ分布下での確率の両方を最大化する軌道を生成する。 そこで我々は,勾配のない最適化と軌道デノゲーションを組み合わせたDiffusionESを提案する。 DiffusionESは、自動運転のための確立されたクローズドループ計画ベンチマークであるnuPlan上で、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-02-09T17:18:33Z)
• Unsupervised Discovery of Interpretable Directions in h-space of Pre-trained Diffusion Models [63.1637853118899]
  本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。 我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。 それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
  論文  参考訳（メタデータ） (2023-10-15T18:44:30Z)
• Improving Diffusion Models for Inverse Problems using Manifold Constraints [55.91148172752894]
  我々は,現在の解法がデータ多様体からサンプルパスを逸脱し,エラーが蓄積することを示す。 この問題に対処するため、多様体の制約に着想を得た追加の補正項を提案する。 本手法は理論上も経験上も従来の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-02T09:06:10Z)
• Few Shot Generative Model Adaption via Relaxed Spatial Structural Alignment [130.84010267004803]
  限られたデータでGAN(Generative Adversarial Network)を訓練することは難しい課題である。 実現可能な解決策は、大規模なソースドメインで十分に訓練されたGANから始め、ターゲットドメインにいくつかのサンプルで適応することである。 本研究では,適応時の対象生成モデルのキャリブレーションを行うための緩和された空間構造アライメント手法を提案する。
  論文  参考訳（メタデータ） (2022-03-06T14:26:25Z)

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。