論文の概要: Latent Refinement via Flow Matching for Training-free Linear Inverse Problem Solving

• arxiv url: http://arxiv.org/abs/2511.06138v1
• Date: Sat, 08 Nov 2025 21:20:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.776259
• Title: Latent Refinement via Flow Matching for Training-free Linear Inverse Problem Solving
• Title（参考訳）: 学習不要線形逆問題解法におけるフローマッチングによる潜時縮小
• Authors: Hossein Askari, Yadan Luo, Hongfu Sun, Fred Roosta,
• Abstract要約: LFlowは,事前学習した潜水前処理を用いて線形逆問題を解決するための学習自由フレームワークである。 提案手法は,ほとんどのタスクの再構成品質において,最先端の潜伏拡散解法よりも優れる。
• 参考スコア（独自算出の注目度）: 18.226350407462643
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in inverse problem solving have increasingly adopted flow priors over diffusion models due to their ability to construct straight probability paths from noise to data, thereby enhancing efficiency in both training and inference. However, current flow-based inverse solvers face two primary limitations: (i) they operate directly in pixel space, which demands heavy computational resources for training and restricts scalability to high-resolution images, and (ii) they employ guidance strategies with prior-agnostic posterior covariances, which can weaken alignment with the generative trajectory and degrade posterior coverage. In this paper, we propose LFlow (Latent Refinement via Flows), a training-free framework for solving linear inverse problems via pretrained latent flow priors. LFlow leverages the efficiency of flow matching to perform ODE sampling in latent space along an optimal path. This latent formulation further allows us to introduce a theoretically grounded posterior covariance, derived from the optimal vector field, enabling effective flow guidance. Experimental results demonstrate that our proposed method outperforms state-of-the-art latent diffusion solvers in reconstruction quality across most tasks. The code will be publicly available at https://github.com/hosseinaskari-cs/LFlow .
• Abstract（参考訳）: 逆問題解決の最近の進歩は、ノイズからデータへの直列確率経路を構築する能力により、拡散モデルよりも流れの先行性を導入し、トレーニングと推論の効率を向上している。 しかし、現在のフローベース逆解法は2つの主要な制限に直面している。 i) ピクセル空間で直接動作し、トレーニングのために重い計算資源を必要とし、高解像度の画像にスケーラビリティを制限し、 (II) 後側副伝導路との整合性を弱め, 後側被覆の低下を防止できる, 先行診断による後側共分散の誘導戦略を採用する。 本稿では,LFlow(Latent Refinement via Flows)を提案する。 LFlowはフローマッチングの効率を活用し、最適経路に沿って潜時空間でODEサンプリングを行う。 この潜在的定式化により、最適ベクトル場から導かれる理論的に基底化された後続共分散を導入し、効果的な流れ誘導を可能にする。 実験の結果,提案手法は,ほとんどのタスクにおける再現品質において,最先端の潜伏拡散解法よりも優れていた。 コードはhttps://github.com/hosseinaskari-cs/LFlowで公開される。

関連論文リスト

• Solving Bayesian inverse problems with diffusion priors and off-policy RL [86.65351676007721]
  相対軌道バランス(Relative Trajectory Balance, RTB)は、逆問題の最適解法である。 視覚・科学における線形・非線形逆問題に挑戦するために,RTBを用いて条件拡散モデル後部を事前訓練した未条件前部から訓練する。
  論文  参考訳（メタデータ） (2025-03-12T18:45:22Z)
• FlowDPS: Flow-Driven Posterior Sampling for Inverse Problems [51.99765487172328]
  逆問題解決のための後部サンプリングは,フローを用いて効果的に行うことができる。 Flow-Driven Posterior Smpling (FlowDPS) は最先端の代替手段よりも優れています。
  論文  参考訳（メタデータ） (2025-03-11T07:56:14Z)
• Diffusion Prior-Based Amortized Variational Inference for Noisy Inverse Problems [12.482127049881026]
  そこで本稿では, 償却変分推論の観点から, 拡散による逆問題の解法を提案する。 我々の償却推論は、測定結果を対応するクリーンデータの暗黙の後方分布に直接マッピングする関数を学習し、未知の計測でも単一ステップの後方サンプリングを可能にする。
  論文  参考訳（メタデータ） (2024-07-23T02:14:18Z)
• Unleashing the Denoising Capability of Diffusion Prior for Solving Inverse Problems [26.134240531687453]
  ProjDiffアルゴリズムは、最適化フレームワーク内で事前学習された拡散モデルの事前情報と復調能力を利用する。 画像復元タスクとソース分離および部分生成タスクの実験により、ProjDiffは様々な線形および非線形逆問題に対して優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2024-06-11T05:35:18Z)
• FlowIE: Efficient Image Enhancement via Rectified Flow [71.6345505427213]
  FlowIEはフローベースのフレームワークであり、基本的な分布から高品質な画像への直線パスを推定する。 私たちのコントリビューションは、合成および実世界のデータセットに関する包括的な実験を通じて、厳密に検証されています。
  論文  参考訳（メタデータ） (2024-06-01T17:29:29Z)
• Optimal Flow Matching: Learning Straight Trajectories in Just One Step [89.37027530300617]
  我々は,新しいtextbf Optimal Flow Matching (OFM) アプローチを開発し,理論的に正当化する。 これは2次輸送のための直列のOT変位をFMの1ステップで回復することを可能にする。 提案手法の主な考え方は,凸関数によってパラメータ化されるFMのベクトル場の利用である。
  論文  参考訳（メタデータ） (2024-03-19T19:44:54Z)
• Training-free Linear Image Inverses via Flows [17.291903204982326]
  本研究では,事前学習フローモデルを用いて,線形逆問題に対する学習自由度を求める手法を提案する。 提案手法では,高次元データセット上でのノイズの多い線形逆問題に対して,問題固有のチューニングは不要である。
  論文  参考訳（メタデータ） (2023-09-25T22:13:16Z)

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。