論文の概要: Distributional Consistency Loss: Beyond Pointwise Data Terms in Inverse Problems

• arxiv url: http://arxiv.org/abs/2510.13972v1
• Date: Wed, 15 Oct 2025 18:01:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.562196
• Title: Distributional Consistency Loss: Beyond Pointwise Data Terms in Inverse Problems
• Title（参考訳）: 分散一貫性損失:逆問題におけるポイントワイドデータ項を超えて
• Authors: George Webber, Andrew J. Reader,
• Abstract要約: 現在の解法は、真の信号(正規化)に関する事前の仮定と、ノイズのある測定データ(データ忠実性)との一致のバランスをとる。 本稿では,各測定値に対するモデルベース確率スコアを用いた分布レベルのキャリブレーションと整合性に置き換えるデータ忠実度目標である分布整合性(DC)損失を導入する。 これらの結果から,直流損失は逆問題に対する従来の忠実度損失に代えて統計的に基礎を置き,性能向上に寄与すると考えられる。
• 参考スコア（独自算出の注目度）: 0.6813925418351433
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recovering true signals from noisy measurements is a central challenge in inverse problems spanning medical imaging, geophysics, and signal processing. Current solutions balance prior assumptions regarding the true signal (regularization) with agreement to noisy measured data (data-fidelity). Conventional data-fidelity loss functions, such as mean-squared error (MSE) or negative log-likelihood, seek pointwise agreement with noisy measurements, often leading to overfitting to noise. In this work, we instead evaluate data-fidelity collectively by testing whether the observed measurements are statistically consistent with the noise distributions implied by the current estimate. We adopt this aggregated perspective and introduce distributional consistency (DC) loss, a data-fidelity objective that replaces pointwise matching with distribution-level calibration using model-based probability scores for each measurement. DC loss acts as a direct and practical plug-in replacement for standard data consistency terms: i) it is compatible with modern regularizers, ii) it is optimized in the same way as traditional losses, and iii) it avoids overfitting to measurement noise even without the use of priors. Its scope naturally fits many practical inverse problems where the measurement-noise distribution is known and where the measured dataset consists of many independent noisy values. We demonstrate efficacy in two key example application areas: i) in image denoising with deep image prior, using DC instead of MSE loss removes the need for early stopping and achieves higher PSNR; ii) in medical image reconstruction from Poisson-noisy data, DC loss reduces artifacts in highly-iterated reconstructions and enhances the efficacy of hand-crafted regularization. These results position DC loss as a statistically grounded, performance-enhancing alternative to conventional fidelity losses for inverse problems.
• Abstract（参考訳）: ノイズ測定から真の信号を復元することは、医療画像、地球物理学、信号処理といった逆問題における中心的な課題である。 現在のソリューションは、真の信号(正規化)に関する事前の仮定と、ノイズのある測定データ(データ忠実性)との一致のバランスをとる。 平均二乗誤差(MSE)や負対数類似度(負対数類似度)のような従来のデータフィデリティ損失関数はノイズに過度に適応する。 本研究では,観測結果が現在の推定値から示唆される雑音分布と統計的に一致しているかどうかを調べることによって,データ忠実度を総合的に評価する。 この集合的視点を導入し,各測定値に対するモデルベース確率スコアを用いた分布レベル校正のポイントワイドマッチングを代替するデータ忠実度目標である分布整合性(DC)損失を導入する。 DC損失は、標準データ一貫性用語の直接的で実用的なプラグインの代替として機能する。 一 近代正規化業者と互換性があること。 二 従来の損失と同じ方法で最適化され、 三 前例を使わずに計測騒音の過度な適合を避けること。 その範囲は、測定ノイズ分布が知られ、測定されたデータセットが多くの独立ノイズ値からなる多くの実用的な逆問題に自然に適合する。 2つの主要な応用分野において有効性を示す。 i)MSE損失の代わりにDCを用いることにより,画像の深部表示において早期停止の必要性を排除し,より高いPSNRを実現すること。 二 ポアソンノイズデータから医用画像の再構成において、直流損失は、高度に定位された再構成におけるアーティファクトを低減し、手作りの正則化の有効性を高める。 これらの結果から,直流損失は逆問題に対する従来の忠実度損失に代えて統計的に基礎を置き,性能向上に寄与すると考えられる。

関連論文リスト

• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Personalized Denoising Implicit Feedback for Robust Recommender System [60.719158008403376]
  ユーザの個人的損失分布には,正常なインタラクションとノイズの多いインタラクションが明確に区別されていることを示す。 本稿では,ユーザのパーソナライズロス分布であるPLDを用いてDenoiseに対する再サンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2025-02-01T07:13:06Z)
• Advancing underwater acoustic target recognition via adaptive data pruning and smoothness-inducing regularization [27.039672355700198]
  本稿では,クロスエントロピーに基づくトレーニングデータにおいて,過度に類似したセグメントを創り出す戦略を提案する。 我々はノイズの多いサンプルを生成し、KLの発散に基づくスムーズネス誘導正則化を適用し、オーバーフィッティングを緩和する。
  論文  参考訳（メタデータ） (2023-04-24T08:30:41Z)
• Phase Aberration Correction without Reference Data: An Adaptive Mixed Loss Deep Learning Approach [3.647138233493735]
  位相収差効果を補うために参照データを必要としない深層学習に基づく手法を提案する。 平均二乗誤差のような従来の損失関数が最適性能を達成するためにネットワークを訓練するには不十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-10T07:11:48Z)
• Unsupervised Visual Defect Detection with Score-Based Generative Model [17.610722842950555]
  我々は、教師なしの視覚的欠陥検出とローカライゼーションタスクに焦点をあてる。 近年のスコアベース生成モデルに基づく新しいフレームワークを提案する。 提案手法を複数のデータセット上で評価し,その有効性を実証する。
  論文  参考訳（メタデータ） (2022-11-29T11:06:29Z)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• Adaptive Multi-View ICA: Estimation of noise levels for optimal inference [65.94843987207445]
  Adaptive MultiView ICA (AVICA) はノイズの多いICAモデルであり、各ビューは共有された独立したソースと付加的なノイズの線形混合である。 AVICAは、その明示的なMMSE推定器により、他のICA法よりも優れたソース推定値が得られる。 実脳磁図(MEG)データでは,分解がサンプリングノイズに対する感度が低く,ノイズ分散推定が生物学的に妥当であることを示す。
  論文  参考訳（メタデータ） (2021-02-22T13:10:12Z)
• Iterative Correction of Sensor Degradation and a Bayesian Multi-Sensor Data Fusion Method [0.0]
  本稿では,劣化信号から地中構造信号を推定する新しい手法を提案する。 アルゴリズムは、2つの信号の繰り返し補正を行うことで乗算分解効果を学習する。 我々は理論的解析を含意し、ノイズレス測定モデルのための地上構造信号への収束性を証明する。
  論文  参考訳（メタデータ） (2020-09-07T13:24:47Z)

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。