論文の概要: DAPS++: Rethinking Diffusion Inverse Problems with Decoupled Posterior Annealing

• arxiv url: http://arxiv.org/abs/2511.17038v1
• Date: Fri, 21 Nov 2025 08:28:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:18.937075
• Title: DAPS++: Rethinking Diffusion Inverse Problems with Decoupled Posterior Annealing
• Title（参考訳）: DAPS++: 分離後アニーリングによる拡散逆問題の再考
• Authors: Hao Chen, Renzheng Zhang, Scott S. Howard,
• Abstract要約: textbfDAPS++を導入することで,数値安定性を維持しつつ,推論をより直接的にガイドすることができる。 textbfDAPS++は、様々な画像復元タスク間で高い計算効率と堅牢な再構成性能を実現する。
• 参考スコア（独自算出の注目度）: 5.215481191227242
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: From a Bayesian perspective, score-based diffusion solves inverse problems through joint inference, embedding the likelihood with the prior to guide the sampling process. However, this formulation fails to explain its practical behavior: the prior offers limited guidance, while reconstruction is largely driven by the measurement-consistency term, leading to an inference process that is effectively decoupled from the diffusion dynamics. To clarify this structure, we reinterpret the role of diffusion in inverse problem solving as an initialization stage within an expectation--maximization (EM)--style framework, where the diffusion stage and the data-driven refinement are fully decoupled. We introduce \textbf{DAPS++}, which allows the likelihood term to guide inference more directly while maintaining numerical stability and providing insight into why unified diffusion trajectories remain effective in practice. By requiring fewer function evaluations (NFEs) and measurement-optimization steps, \textbf{DAPS++} achieves high computational efficiency and robust reconstruction performance across diverse image restoration tasks.
• Abstract（参考訳）: ベイズの観点からは、スコアベースの拡散は共同推論を通じて逆問題を解き、サンプリングプロセスの導出に先立って確率を埋め込む。 しかし、この定式化は実践的な振る舞いを説明できない: 前者は限られたガイダンスを提供するが、再構成は測定一貫性の項によって大きく推進され、拡散力学から効果的に切り離される推論プロセスに繋がる。 この構造を明らかにするため,予測最大化(EM)スタイルのフレームワークにおいて,逆問題解における拡散の役割を初期化段階として再解釈する。 数値安定性を維持しつつ、推論をより直接的に導くことが可能であり、なぜ統合拡散軌道が実際に有効であるのかについての洞察を提供する。 より少ない関数評価(NFE)と測定-最適化ステップを必要とすることにより、さまざまな画像復元タスク間で高い計算効率と堅牢な再構成性能を実現する。

関連論文リスト

• Align & Invert: Solving Inverse Problems with Diffusion and Flow-based Models via Representational Alignment [13.028121107802127]
  逆問題では、事前訓練された生成モデルが先行として使用される。 本稿では,拡散モデルとフローベースモデル間の表現アライメント(REPA)を適用することを提案する。 モデル表現と近似的対象特徴との整合性は、再構成の忠実度と知覚的リアリズムを大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-11-21T00:37:04Z)
• Diffusion Bridge Variational Inference for Deep Gaussian Processes [31.082191748525137]
  拡散橋変分推論(DBVI)は拡散変分推論(DDVI)の原理的拡張である DBVIは学習可能なデータ依存の初期分布から逆拡散を開始する。 DDVIや他の変分ベースラインを予測精度、収束速度、後部品質で一貫して上回る。
  論文  参考訳（メタデータ） (2025-09-23T14:36:47Z)
• 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)
• Improving Decoupled Posterior Sampling for Inverse Problems using Data Consistency Constraint [13.285652967956652]
  本稿では,逆問題に対するGDPS ( Guided Decoupled Posterior Smpling) を提案する。 我々はこの手法を潜在拡散モデルとツイーディの公式に拡張する。 GDPSは最先端のパフォーマンスを実現し、既存の手法よりも精度を向上させる。
  論文  参考訳（メタデータ） (2024-12-01T03:57:21Z)
• Efficient Diffusion as Low Light Enhancer [63.789138528062225]
  RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。 textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
  論文  参考訳（メタデータ） (2024-10-16T08:07:18Z)
• Diffusion State-Guided Projected Gradient for Inverse Problems [82.24625224110099]
  逆問題に対する拡散状態ガイド型射影勾配(DiffStateGrad)を提案する。 DiffStateGrad は拡散過程の中間状態の低ランク近似である部分空間に測定勾配を投影する。 DiffStateGradは、測定手順のステップサイズとノイズの選択によって拡散モデルのロバスト性を向上させる。
  論文  参考訳（メタデータ） (2024-10-04T14:26:54Z)
• Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
  Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。 本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。 既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
  論文  参考訳（メタデータ） (2024-07-25T09:53:12Z)
• Efficient Text-driven Motion Generation via Latent Consistency Training [21.348658259929053]
  非線形逆拡散軌道を解くための動き潜時整合トレーニングフレームワーク(MLCT)を提案する。 これらの拡張を組み合わせることで、非画素モダリティおよび潜在表現空間における安定かつ一貫性のあるトレーニングを実現する。
  論文  参考訳（メタデータ） (2024-05-05T02:11:57Z)
• Regularization by Texts for Latent Diffusion Inverse Solvers [55.97917698941313]
  本稿では,人間の視覚的あいまいさを知覚バイアスによって解決する能力に触発されて,テキストによる正規化(TReg)と呼ばれる新しい潜伏拡散逆解法を導入する。 実験の結果,TRegは逆問題におけるあいまいさを効果的に軽減し,精度と効率を両立させることがわかった。
  論文  参考訳（メタデータ） (2023-11-27T09:40:14Z)

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。