論文の概要: Diffusion Model Based Signal Recovery Under 1-Bit Quantization

• arxiv url: http://arxiv.org/abs/2511.12471v1
• Date: Sun, 16 Nov 2025 06:18:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.186383
• Title: Diffusion Model Based Signal Recovery Under 1-Bit Quantization
• Title（参考訳）: 1ビット量子化による拡散モデルに基づく信号回復
• Authors: Youming Chen, Zhaoqiang Liu,
• Abstract要約: 1ビット量子化の下での信号回復のための高速かつ効果的なDMベースのアプローチであるDiff-OneBitを導入する。 これは、微分可能あるいは暗黙的リンク関数によって生じる課題に、微分可能サロゲート確率関数を活用することで対処する。 FFHQ、CelebA、ImageNetのデータセットの実験では、Diff-OneBitが高忠実度に再構成されたイメージを提供することが示された。
• 参考スコア（独自算出の注目度）: 11.230017522567286
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models (DMs) have demonstrated to be powerful priors for signal recovery, but their application to 1-bit quantization tasks, such as 1-bit compressed sensing and logistic regression, remains a challenge. This difficulty stems from the inherent non-linear link function in these tasks, which is either non-differentiable or lacks an explicit characterization. To tackle this issue, we introduce Diff-OneBit, which is a fast and effective DM-based approach for signal recovery under 1-bit quantization. Diff-OneBit addresses the challenge posed by non-differentiable or implicit links functions via leveraging a differentiable surrogate likelihood function to model 1-bit quantization, thereby enabling gradient based iterations. This function is integrated into a flexible plug-and-play framework that decouples the data-fidelity term from the diffusion prior, allowing any pretrained DM to act as a denoiser within the iterative reconstruction process. Extensive experiments on the FFHQ, CelebA and ImageNet datasets demonstrate that Diff-OneBit gives high-fidelity reconstructed images, outperforming state-of-the-art methods in both reconstruction quality and computational efficiency across 1-bit compressed sensing and logistic regression tasks.
• Abstract（参考訳）: 拡散モデル(DM)は信号回復の強力な先駆者であるが、1ビット圧縮センシングやロジスティック回帰といった1ビット量子化タスクへの応用は依然として課題である。 この困難さは、これらのタスクの固有の非線形リンク関数に起因している。 Diff-OneBitは1ビット量子化の下での信号回復のための高速かつ効果的なDMベースの手法である。 Diff-OneBitは1ビット量子化をモデル化するために微分可能代理可能性関数を活用することで、非微分可能または暗黙的リンク関数によって引き起こされる課題に対処する。 この機能はフレキシブルなプラグアンドプレイフレームワークに統合され、データフィデリティ項と拡散前の拡散を分離する。 FFHQ、CelebA、ImageNetデータセットの大規模な実験により、Diff-OneBitは1ビット圧縮センシングおよびロジスティック回帰タスクにおいて、再構築品質と計算効率の両方において最先端の手法より優れた高忠実な再構成画像を提供することが示された。

関連論文リスト

• Bidirectional Consistency Models [1.486435467709869]
  拡散モデル(DM)は、ランダムなベクトルを反復的に認知することで、驚くほど高品質なサンプルを生成することができる。 DMはまた、確率フロー常微分方程式(PF ODE)に沿って後方に移動することにより、入力画像から雑音への逆変換も可能である。
  論文  参考訳（メタデータ） (2024-03-26T18:40:36Z)
• Provably Robust Score-Based Diffusion Posterior Sampling for Plug-and-Play Image Reconstruction [31.503662384666274]
  科学と工学において、ゴールは、ある画像のモダリティを記述する既知のフォワードモデルから収集された少数の測定値から未知の画像を推測することである。 モチベートされたスコアベース拡散モデルはその経験的成功により、画像再構成に先立って模範の印象的な候補として現れた。
  論文  参考訳（メタデータ） (2024-03-25T15:58:26Z)
• BlindDiff: Empowering Degradation Modelling in Diffusion Models for Blind Image Super-Resolution [52.47005445345593]
  BlindDiff は SISR のブラインド劣化に対処するための DM ベースのブラインドSR 手法である。 BlindDiffはMAPベースの最適化をDMにシームレスに統合する。 合成データセットと実世界のデータセットの両方の実験は、BlindDiffが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2024-03-15T11:21:34Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)

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。