論文の概要: Solving Diffusion Inverse Problems with Restart Posterior Sampling

• arxiv url: http://arxiv.org/abs/2511.20705v1
• Date: Mon, 24 Nov 2025 20:42:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:58.772864
• Title: Solving Diffusion Inverse Problems with Restart Posterior Sampling
• Title（参考訳）: リスタート後サンプリングによる拡散逆問題の解法
• Authors: Bilal Ahmed, Joseph G. Makin,
• Abstract要約: 逆問題(英: inverse problem)とは、科学や工学において基本的な問題であり、ノイズ測定から基礎となる信号や状態を推測することである。 近年のアプローチでは、複雑なデータ分布をキャプチャする能力のため、そのような問題に対する強力な暗黙の先行モデルとして拡散モデルが採用されている。 本稿では,線形逆問題と非線形逆問題の両方を解決するための汎用的で効率的なフレームワークであるRePS(Restart for Posterior Sampling)を提案する。
• 参考スコア（独自算出の注目度）: 2.9527010146189556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inverse problems are fundamental to science and engineering, where the goal is to infer an underlying signal or state from incomplete or noisy measurements. Recent approaches employ diffusion models as powerful implicit priors for such problems, owing to their ability to capture complex data distributions. However, existing diffusion-based methods for inverse problems often rely on strong approximations of the posterior distribution, require computationally expensive gradient backpropagation through the score network, or are restricted to linear measurement models. In this work, we propose Restart for Posterior Sampling (RePS), a general and efficient framework for solving both linear and non-linear inverse problems using pre-trained diffusion models. RePS builds on the idea of restart-based sampling, previously shown to improve sample quality in unconditional diffusion, and extends it to posterior inference. Our method employs a conditioned ODE applicable to any differentiable measurement model and introduces a simplified restart strategy that contracts accumulated approximation errors during sampling. Unlike some of the prior approaches, RePS avoids backpropagation through the score network, substantially reducing computational cost. We demonstrate that RePS achieves faster convergence and superior reconstruction quality compared to existing diffusion-based baselines across a range of inverse problems, including both linear and non-linear settings.
• Abstract（参考訳）: 逆問題(英: inverse problem)とは、科学や工学において基礎となる信号や状態を不完全または雑音の測定から推測することである。 近年のアプローチでは、複雑なデータ分布をキャプチャする能力のため、そのような問題に対する強力な暗黙の先行モデルとして拡散モデルが採用されている。 しかし、逆問題に対する既存の拡散法は、しばしば後続分布の強い近似に頼り、スコアネットワークを介して計算的に高価な勾配のバックプロパゲーションを必要とするか、線形測定モデルに制限される。 本研究では,線形および非線形の逆問題に対して,事前学習した拡散モデルを用いて,汎用的で効率的なフレームワークであるRestart for Posterior Smpling(RePS)を提案する。 RePSは再起動に基づくサンプリングのアイデアに基づいており、以前は無条件拡散におけるサンプル品質の向上を図っており、後部推論にまで拡張している。 本手法では,任意の異なる測定モデルに適用可能な条件付きODEを用い,サンプリング時に蓄積した近似誤差を補正する簡易再起動戦略を導入する。 以前のアプローチとは異なり、RePSはスコアネットワークによるバックプロパゲーションを回避し、計算コストを大幅に削減した。 線形および非線形設定を含む様々な逆問題に対して,既存の拡散ベースベースラインと比較して,RePSはより高速に収束し,再現性に優れることを示した。

関連論文リスト

• Solving ill-conditioned polynomial equations using score-based priors with application to multi-target detection [4.009569125126148]
  そこで本稿では,スコアベース拡散先行値とモーメントベース推定器を統合し,逆問題に対する正規化を行う新しいフレームワークを提案する。 具体的応用として,高雑音状態におけるマルチターゲット検出(MTD)モデルについて検討する。 2つの主要な結果を示す: (i)拡散先行は3次モーメントからの回復を大幅に改善し、 (ii)超解像MTD問題を作る。
  論文  参考訳（メタデータ） (2025-09-14T19:21:32Z)
• 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)
• 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)
• Improving Diffusion Models for Inverse Problems Using Optimal Posterior Covariance [52.093434664236014]
  近年の拡散モデルは、特定の逆問題に対して再訓練することなく、ノイズの多い線形逆問題に対する有望なゼロショット解を提供する。 この発見に触発されて、我々は、最大推定値から決定されるより原理化された共分散を用いて、最近の手法を改善することを提案する。
  論文  参考訳（メタデータ） (2024-02-03T13:35:39Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• 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)

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。