論文の概要: Noise is All You Need: Solving Linear Inverse Problems by Noise Combination Sampling with Diffusion Models

• arxiv url: http://arxiv.org/abs/2510.23633v1
• Date: Fri, 24 Oct 2025 07:46:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.300155
• Title: Noise is All You Need: Solving Linear Inverse Problems by Noise Combination Sampling with Diffusion Models
• Title（参考訳）: ノイズがすべて必要である:拡散モデルを用いた雑音結合による線形逆問題の解法
• Authors: Xun Su, Hiroyuki Kasai,
• Abstract要約: 本稿では,雑音部分空間から最適な雑音ベクトルを合成し,測定スコアを近似する手法を提案する。 本手法は画像圧縮を含む幅広い逆問題解法に適用可能である。
• 参考スコア（独自算出の注目度）: 7.219077740523681
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pretrained diffusion models have demonstrated strong capabilities in zero-shot inverse problem solving by incorporating observation information into the generation process of the diffusion models. However, this presents an inherent dilemma: excessive integration can disrupt the generative process, while insufficient integration fails to emphasize the constraints imposed by the inverse problem. To address this, we propose \emph{Noise Combination Sampling}, a novel method that synthesizes an optimal noise vector from a noise subspace to approximate the measurement score, replacing the noise term in the standard Denoising Diffusion Probabilistic Models process. This enables conditional information to be naturally embedded into the generation process without reliance on step-wise hyperparameter tuning. Our method can be applied to a wide range of inverse problem solvers, including image compression, and, particularly when the number of generation steps $T$ is small, achieves superior performance with negligible computational overhead, significantly improving robustness and stability.
• Abstract（参考訳）: 予測拡散モデルは, 拡散モデルの生成過程に観測情報を組み込むことにより, ゼロショット逆問題の解法において強い機能を示した。 しかし、これは固有のジレンマを示しており、過剰な積分は生成過程を妨害し、一方、不十分な積分は逆問題によって課される制約を強調するのに失敗する。 そこで本研究では, ノイズ部分空間から最適なノイズベクトルを合成し, 測定スコアを近似し, 標準的なデノイング拡散確率モデルプロセスにおけるノイズ項を置き換える新しい手法である 'emph{Noise Combination Sampling} を提案する。 これにより、段階的なハイパーパラメータチューニングに頼ることなく、条件情報を生成プロセスに自然に組み込むことができる。 提案手法は画像圧縮を含む幅広い逆問題解法に適用可能であり,特に生成ステップ数$T$が小さい場合,計算オーバーヘッドが無視できるほど優れ,堅牢性と安定性が著しく向上する。

関連論文リスト

• Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
  ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。 NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
  論文  参考訳（メタデータ） (2025-10-14T13:31:34Z)
• 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)
• Noise Conditional Variational Score Distillation [60.38982038894823]
  騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。 この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
  論文  参考訳（メタデータ） (2025-06-11T06:01:39Z)
• DAWN-FM: Data-Aware and Noise-Informed Flow Matching for Solving Inverse Problems [4.212663349859165]
  不完全またはノイズの観測からパラメータを推定する逆問題(逆問題)は、医療画像などの様々な分野で発生する。 簡単な参照分布をマップするために決定論的プロセスを統合する生成フレームワークであるフローマッチング(FM)を採用している。 我々の手法DAWN-FM: Data-AWare and Noise-informed Flow Matchingは,データとノイズの埋め込みを組み込んで,測定データに関する表現へのアクセスを可能にする。
  論文  参考訳（メタデータ） (2024-12-06T04:18:49Z)
• NoiseDiffusion: Correcting Noise for Image Interpolation with Diffusion Models beyond Spherical Linear Interpolation [86.7260950382448]
  画像の妥当性を補正する新しい手法としてノイズ拡散法を提案する。 NoiseDiffusionはノイズの多い画像空間内で動作し、これらのノイズの多い画像に生画像を注入することで、情報損失の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-13T12:32:25Z)
• 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)
• Noise Estimation for Generative Diffusion Models [91.22679787578438]
  そこで本研究では,任意のステップの雑音パラメータを調整可能な,単純で汎用的な学習手法を提案する。 私たちのアプローチは計算コストが無視できるものです。
  論文  参考訳（メタデータ） (2021-04-06T15:46:16Z)

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。